Modelo EOQ con Demanda Incierta. Teoría de Inventarios Modelo Probabilísticos. Demanda durante el Lead Time 18/04/2009

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

Download "Modelo EOQ con Demanda Incierta. Teoría de Inventarios Modelo Probabilísticos. Demanda durante el Lead Time 18/04/2009"

Transcripción

1 Universidad Técnica Federico Santa María Teoría de Inventarios Modelo Probabilísticos Daniel Basterrica Modelo EOQ con Demanda Incierta Lead Time no nulo Demanda aleatoria durante el Lead Time Se mantienen definiciones de EOQ: c 0 : Costo de ordenar c h : costo de almacenar una unidad durante un año L: Duración del Lead Time Q: Cantidad Ordenada Modelo EOQ con Demanda Incierta Se agregan las definiciones: D: Variable aleatoria (continua) que representa la demanda anual c b : Costo por unidad insatisfecha ID(t): Nivel de inventario disponible en el instante t B(t): Cantidad de unidades pendientes en t I(t): Inventario neto en el instante t = ID(t) B(t) Modelo EOQ con Demanda Incierta ID(0) = 200, ID(1) = 100, ID(6) = 0, ID(7) = 0 B(t) = 0 para 0 <= t <= 6 y B(7) = 100 I(0) = = 200, I(3) = = 260, I(7) = = 100 Si L = 2 meses: R = 100 unidades Q = 240 artículos Demanda durante el Lead Time Sea X: Representa la demanda durante el Lead Time Variable aleatoria continua con densidad de probabilidadf(x) f(x), media E[X], varianza V[X]y y desviación estándar de σ X. Se asume que la demanda en instantes distintos es independiente, entonces: E[X]=LE[D] V[X]=LV[D] σ X = σ D L Si D se distribuye normalmente, entonces X también. Demanda durante el Lead Time Si L es una variable aleatoria con media E[L], varianza V[L] y desviación estándar σ L, y si L es independiente a la demanda por unidad de tiempo durante el Lead Time, entonces: E[X] = E[L] E[D] V[X]=E[L] V[D] + E[D] 2 V[L] 1

2 Si L = 2 meses Cálculo del punto de reorden: Con órdenes pendientes (sin pérdida de ventas) Con pérdida de ventas Se considera el costo de compra fijo. Costo Total: CT(Q,R) = costo inventario + costo ordenar + costo por escasez Nivel medio de órdenes pendientes es pequeño respecto al de inventario. Como I(t)=ID(t) B(t), entonces E[I(t)] E[ID(t)] Para estimar el costo por mantención de inventario, se necesita estimar el valor esperado de I(t). Con demanda constante, Valor esperado I(t) = (valor esperado de I(t) al inicio del ciclo + valor esperado de I(t) al término del ciclo)/2 Al término del ciclo el nivel de inventario es R, menos la demanda durante el Lead Time X. I(t) = R E[X] Al inicio del ciclo, el nivel de inventario es la del término del ciclo anterior, aumentada en Q. I(t) = R E[X] + Q Por lo tanto, el valor esperado de I(t) durante un ciclo: Por lo tanto, Costo por Stockouts Sea: B R = variable aleatoria que representa el número de stockouts durante un ciclo asociado a R Costo por escasez anual corresponde al costo esperado por escasez por ciclo por el número esperado de ciclos de año, entonces Como eventualmente, toda la demanda será satisfacha, ocurren en promedio E[D]/Q órdenes por año. 2

3 Costo por Orden Costo esperado por ordenar Q* y R* El valor óptimo es muy cercano al de un EOQ normal, es decir: Luego, el costo total asociado queda: R* se obtiene de un análisis marginal Si se asume un valor de Q, el costo anual por ordenar es independiente de R Para minimizar CT(Q,R) se debe minimizar la suma de los costos de mantención de inventario y los costos por escasez Si R incrementa en Δ (pequeño), el costo de mantención de inventario tendrá una variación de: Si se incrementa R a R + Δ La escasez se reduce en Δ unidades cuando X R Se reduce el costo de stockouts en c B Δ durante unafracciónip(x R) detodos losciclos Con E[D]/Q ciclos por año El costo esperado por stockouts se reduce en Si R crece en Δ IP(X R) decrece Por lo tanto, la reducción esperada en el costo anual por escasez es menor R* ocurre al igualar los beneficios marginales a los costos marginales Si el problema no tiene solución El costo de mantener unidades en inventario es prohibitivoenrelación relación alcosto porórdenes pendientes. El punto de reorden, debe ser lo más pequeño posible. Si R* es negativo, se debe tomar el punto de reorden más pequeño posible. 3

4 Cada año, una tienda de computadores vende 1000 cajas para CD. La demanda anual por cajas de CD se distribuye normalmente con una desviación estándar de 40.8 cajas. La tienda posee un proveedor regional. Cada órden es entregada en 2 semanas. El costo de efectuar cada orden es US$50, el costo anual de mantener una caja en inventario es US$10. El costo unitario por escasez se asumen en US$20. Se admite mantener órdenes pendientes. Los parámetros de la distribución de X pueden ser obtenido s a partir de la distribución de la demanda anual y la longitud del Lead Time L=2 semanas Como c B = 20 Determine el punto de reorden, el tamaño de orden, y el nivel de seguridad del inventario la tienda. Cuál es la probabilidad que ocurra un stockout durante el lead time? A partir de una tabla normal estandarizada, se obtiene ф(1.65) = IP ( Z 1.65) = Entonces IP(Z 1.65) = = Luego, el nivel de seguridad: Cálculo de R con pérdida de ventas Todos los stockouts involucran pérdida de ventas Existe un costo c LS asociado a la pérdida Se aproxima el tamaño óptimo de orden Q al Q* del EOQ clásico, y el punto de reorden, por análisis marginal es:, con pérdida de ventas Si cada caja de CD se vende a US$50 El costo de almacenaje es US$30 Costo asociado a stockouts de US$20 Se obtiene c LS como la suma de la pérdida de ganancia (50 30) al costo por venta perdida (20) Entonces, c LS = = 40 Luego,, con pérdida de ventas Estandarizando se obtiene Con la tabla normal, se obtiene ф(1.98)=ip(z 1.98) = , entonces IP(Z 1.98)= =

5 EOQ con Demanda Incierta Es difícil determinar en forma exacta el costo asociado a la escasez de una unidad Enfoque del nivel de servicio para determinar el nivel lde inventario i de seguridad d Se definen dos niveles de servicio: Nivel de Servicio 1 (SLM 1 ) Fracción esperada de la demanda satisfecha a tiempo Nivel de Servicio 2 (SLM 2 ) Número esperado de ciclos por año en los que hay escasez Supuestos Se admiten órdenes pendientes La demanda anual promedio es 1000 Q*=100 Demanda durante el Lead Time aleatoria y descrita por Probabilidad 1/5 1/5 1/5 1/5 1/5 Demanda Lead Time Punto de reorden es 30 unidades Determine el SLM 1 y SLM 2 La demanda esperada durante el Lead Time es Si el punto de reorden es 30 y la demanda durante el Lead Time, es de 20 ó 30 unidades, no habrá escasez. Cuando sea 40, 50 y 60 habrá escasez de 10, 20 y 30 unidades respectivamente. Como Q* = 100 y toda la demanda debe ser satisfecha, se esperan E[D]/Q = 1000/100 = 10 órdenes anuales El número promedio de unidades pendientes es 12 x 10 = 120 unidades Se satisfacen = 880 unidades a tiempo SLM 1 = 880/1000 = 0.88 Obs: R es menos que la media de la demanda durante el Lead Time, pero el nivel de demanda satisfecha a tiempo es alta, debido a que los stockouts ocurren sólo durante el Lead Time, que es una pequeña porción de tiempo de cada ciclo. Si el punto de reorden es 30, ocurrirá stockout en cualquier ciclo en el que la demanda durante el Lead Time exceda 30 unidades. Entonces IP(X=40) + IP(X=50) + IP(X=60) = 3/5 Luego, con un promedio de 10 ciclos por año, el número esperado de ciclos con escasez en un año es 10 x 3/5 = 6. SLM 2 = 6 stockouts por año Suponiendo Q* según EOQ E[D] la demanda anual esperada BR la variable aleatoria asociada al número de stockouts durante un ciclo SLM 1 es el porcentaje de la demanda satisfecha a tiempo Con un valor Q y R dado, se tiene 5

6 Se asume que la demanda durante el Lead Time se distribuye normalmente con media E[X] y desviación estándar σ X Se requiere estimar E[B R ] para determinar el punto de reorden con un nivel de servicio deseado Pérdida normal (escasez) : NL(y) Dado un punto de reorden E[X] + y σ X σ X NL(y) es el número esperado de unidades insatisfechas que ocurrirán durante el Lead Time Debido a que puntos de reorden elevados conducen a pocas órdenes pendientes, se espera que NL(y) sea una función decreciente de y Se puede demostrar que para y 0, NL(y) = NL( y) y Asumiendo una demanda durante el Lead Time normal, se determina R que entrega un nivel deseado de SLM 1 tomando La definición de la función normal implica que durante el Lead Time un punto de reorden R entregará un número esperado de unidades insatisfecha E[B R ] dado por: Luego, como Una tienda vende en promedio 1000 procesadores de alimento cada año. Efectuar cada orden por procesadores de alimento cuesta US$50. El lead time es un mes. Cuesta US$10 mantener un procesador de alimento un año en inventario. La demanda anual por procesadores de alimento se distribuye normalmente con una desviación estándar de Obtenga el punto de reorden para un SLM 1 de 80% y 95%. Considerando que E[D] = 1000, c o = 50 y c h = 10, se tiene: Se obtiene Para obtener un SLM1 de 80% se debe cumplir: Si el SLM1 es 95 %, el punto de reorden R debe satisfacer: De acuerdo a la tabla de NL(y), 1 excede cualquiera de los valores tabulados. Por lo tanto, (R 83.33)/20 es negativo y por prueba y error se encuentra NL( 0.9) = NL(0.9)+0.9 =1.004 De la tabla se obtiene: NL(0.34) = , entonces: 6

7 Calcular R a partir de SLM 2 Se desea asegurar un promedio de s 0 ciclos sin stockout Definidiendo R, una fracción IP(X>R) de todos los ciclos tendrán stockout Hay en promedio E[D]/Q ciclos por año IP(X>R) E[D]/Q tendrán dá stockout Entonces, dado s 0, el punto de reorden R es el menor valor que satisface Calcular R a partir de SLM 2 Entonces, el punto de reorden R para el SLM 2 para una demanda durante el Lead Time continua Entonces, el punto de reorden R para el SLM 2 para una demanda durante el Lead Time discreta, es el menor valor que satisface X es variable aleatoria continua, entonces IP(X > R) = IP(X R) Continuando con el ejemplo anterior Se desea asegurar que los stockouts ocurran durante en promedio 2 Lead Time por año De la tabla normal estándar: IP(Z 0.84) = IP(Z 0.84) = = , entonces: 7

Ejemplos de clase Administración de Inventarios. Guatemala, abril de 2013

Ejemplos de clase Administración de Inventarios. Guatemala, abril de 2013 Ejemplos de clase Administración de Inventarios Guatemala, abril de 2013 ADMINISTRACIÓN DE INVENTARIOS A. MODELOS DE INVENTARIO PARA DEMANDA INDEPENDIENTE B. MODELOS PROBABILISTICOS E INVENTARIOS DE SEGURIDAD

Más detalles

Ejemplos de clase Administración de Inventarios

Ejemplos de clase Administración de Inventarios Ejemplos de clase Administración de Inventarios ADMINISTRACIÓN DE INVENTARIOS A. MODELOS DE INVENTARIO PARA DEMANDA INDEPENDIENTE B. MODELOS PROBABILISTICOS E INVENTARIOS DE SEGURIDAD C. SISTEMAS DE PERIODO

Más detalles

Fundamentos de Investigación de Operaciones Teoría de Inventarios

Fundamentos de Investigación de Operaciones Teoría de Inventarios Fundamentos de Investigación de Operaciones de mayo de 04. Introducción El costo de mantener un cierto número de unidades en inventario puede ser importante para una empresa. El objetivo de la es establecer

Más detalles

PROBABILIDAD 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) 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 detalles

Tema 5: Principales Distribuciones de Probabilidad

Tema 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 detalles

La gestión de inventario preocupa a la mayoría de las empresas cualquiera sea el sector de su actividad y dimensión.

La gestión de inventario preocupa a la mayoría de las empresas cualquiera sea el sector de su actividad y dimensión. 4. MODELOS DE INVENTARIO. Comúnmente los inventarios están relacionados con la mantención de cantidades suficientes de bienes (insumos, repuestos, etc.), que garanticen una operación fluida en un sistema

Más detalles

Variable Aleatoria. Relación de problemas 6

Variable 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 detalles

COMPARACIÓN DE SUPERFICIES DE RESPUESTA CON BÚSQUEDA TABÚ Y ALGORITMOS GENÉTICOS

COMPARACIÓN 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 detalles

Minimización de costos. Teoría de Inventarios Modelo Determinista. Supuestos. Modelos DeterminísKcos. Modelo de Lote Económico

Minimización de costos. Teoría de Inventarios Modelo Determinista. Supuestos. Modelos DeterminísKcos. Modelo de Lote Económico Universidad Técnica Federico Santa María Minimización de costos Teoría de Inventarios Modelo Determinista Costo por orden de compra o producción Costo unitario de compra Costo variable unitario de compra.

Más detalles

La distribución normal o gaussiana es la distribución. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si

La distribución normal o gaussiana es la distribución. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si La distribución normal La distribución normal o gaussiana es la distribución continua más importante. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si f(x) = 1

Más detalles

DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL

DOCUMENTO 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 detalles

D.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO

D.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 detalles

Distribuciones Dis de Probabilidad Pr Contínuas Jhon Jairo Jair Pa P dilla a Aguilar, Aguilar PhD. PhD

Distribuciones 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 detalles

3. VARIABLES ALEATORIAS

3. 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 detalles

Gestión y Control de Stocks

Gestión y Control de Stocks Gestión y Control de Stocks Posición del inventario Una decisión de ordenar no debe estar basada solamente en el stock disponible (on-hand). IP= stock en mano+ordenes que aún no llegan-ruptura de stock.

Más detalles

Sistemas de Inventarios con Demanda Probabilística

Sistemas de Inventarios con Demanda Probabilística Facultad de Ingeniería Escuela de Ingeniería Industrial Curso: Sistemas de Almacenamiento e Inventarios Sistemas de Inventarios con Demanda Probabilística Profesor: Julio César Londoño O Sistemas de inventarios

Más detalles

DISTRIBUCIONES DE PROBABILIDAD

DISTRIBUCIONES DE PROBABILIDAD DISTRIBUCIONES DE PROBABILIDAD Se llama variable aleatoria a toda función que asocia a cada elemento del espacio muestral E un número real. Una variable aleatoria discreta es aquella que sólo puede tomar

Más detalles

Facultad de Ingeniería MANEJO DE INVENTARIOS DE ÍTEMS INDIVIDUALES

Facultad de Ingeniería MANEJO DE INVENTARIOS DE ÍTEMS INDIVIDUALES Facultad de Ingeniería Escuela de Ingeniería Industrial Curso: Sistemas de almacenamiento e Inventarios MANEJO DE INVENTARIOS DE ÍTEMS INDIVIDUALES Profesor: Julio César Londoño O Sistemas con Demanda

Más detalles

RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO. M.Sc. Roberto Solé M.

RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO. M.Sc. Roberto Solé M. FACTORES DETERMINANTES DEL PRECIO DE LAS ACCIONES: Riesgo Se puede examinar ya sea por su relación con un: Activo individual Cartera Rendimiento RIESGO: En un concepto básico es la probabilidad de enfrentar

Más detalles

Ejemplo Traza la gráfica de los puntos: ( 5, 4), (3, 2), ( 2, 0), ( 1, 3), (0, 4) y (5, 1) en el plano cartesiano.

Ejemplo Traza la gráfica de los puntos: ( 5, 4), (3, 2), ( 2, 0), ( 1, 3), (0, 4) y (5, 1) en el plano cartesiano. Plano cartesiano El plano cartesiano se forma con dos rectas perpendiculares, cuyo punto de intersección se denomina origen. La recta horizontal recibe el nombre de eje X o eje de las abscisas y la recta

Más detalles

Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones

Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una

Más detalles

Propuesta A. 2 0 b) Dada la ecuación matricial: X = , despeja y calcula la matriz X. (0.75 ptos) 2 1

Propuesta A. 2 0 b) Dada la ecuación matricial: X = , despeja y calcula la matriz X. (0.75 ptos) 2 1 Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (015) Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II El alumno deberá contestar a una de las dos opciones propuestas A o B. Se

Más detalles

Teoría de la decisión Estadística

Teoría de la decisión Estadística Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y

Más detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 5. Muestreo y distribuciones muestrales Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:

Más detalles

Dr. Mauro Gutierrez Martinez Dr. Christiam Gonzales Chávez

Dr. Mauro Gutierrez Martinez Dr. Christiam Gonzales Chávez Profesores: Mg. Cecilia Rosas Meneses Dr. Mauro Gutierrez Martinez Dr. Christiam Gonzales Chávez Definición. La función de distribución acumulada F X de una v.a. X es definida para cada número real x como

Más detalles

Distribución muestral de proporciones. Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua

Distribución muestral de proporciones. Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Distribución muestral de proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Distribución muestral de Proporciones Existen ocasiones

Más detalles

Propiedades en una muestra aleatoria

Propiedades 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 detalles

Unidad III Variables Aleatorias Unidimensionales

Unidad III Variables Aleatorias Unidimensionales Unidad III Variables Aleatorias Unidimensionales En el capítulo anterior se examinaron los conceptos básicos de probabilidad con respecto a eventos que se encuentran en un espacio muestral. Los experimentos

Más detalles

Ejercicios de Variables Aleatorias

Ejercicios de Variables Aleatorias Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UCM Función de distribución y función de densidad Ejercicio. Sea X una variable aleatoria con función de distribución dada

Más detalles

Selectividad Junio 2007 JUNIO 2007

Selectividad 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 detalles

DISTRIBUCIONES DE PROBABILIDAD (RESUMEN)

DISTRIBUCIONES DE PROBABILIDAD (RESUMEN) DISTRIBUCIONES DE PROBABILIDAD (RESUMEN) VARIABLE ALEATORIA: un experimento produce observaciones numéricas que varían de muestra a muestra. Una VARIABLE ALEATORIA se define como una función con valores

Más detalles

Distribuciones muestrales. Distribución muestral de Medias

Distribuciones muestrales. Distribución muestral de Medias Distribuciones muestrales. Distribución muestral de Medias Algunas secciones han sido modificadas de: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua TEORIA DEL MUESTREO

Más detalles

Tema 3. 3. Correlación. Correlación. Introducción

Tema 3. 3. Correlación. Correlación. Introducción 3-1 Introducción Tema 3 Correlación Coeficiente de correlación lineal de Pearson Coeficiente de correlación poblacional Contraste paramétrico clásico Transformación de Fisher Correlación bayesiana Test

Más detalles

Estadística Avanzada y Análisis de Datos

Estadística 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 detalles

DISTRIBUCIONES DE PROBABILIDAD DISCRETA (PARTE 2)

DISTRIBUCIONES DE PROBABILIDAD DISCRETA (PARTE 2) Probabilidad DISTRIBUCIONES DE PROBABILIDAD DISCRETA (PARTE 2) Copyright 2010, 2007, 2004 Pearson Education, Inc. All Rights Reserved. 4.1-1 EJEMPLO Calcular σ y σ 2 para una variable aleatoria discreta

Más detalles

Distribución de Probabilidad Normal

Distribución de Probabilidad Normal Distribución de Probabilidad Normal Departamento de Estadística-FACES-ULA 22 de Diciembre de 2013 Introducción La distribución normal es quizás la distribución de probabilidad para variables aleatorias

Más detalles

UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA INDUSTRIAL CONTROL #3

UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA INDUSTRIAL CONTROL #3 UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA INDUSTRIAL CURSO : IN47A GESTIÓN DE OPERACIONES PROFESOR : A. SAURÉ A. WEINTRAUB AUXILIARES : J. PASSI J. RODRÍGUEZ

Más detalles

Distribuciones de Probabilidad Para Variables Aleatorias Continuas

Distribuciones de Probabilidad Para Variables Aleatorias Continuas Distribuciones de Probabilidad Para Variables Aleatorias Continuas Departamento de Estadística-FACES-ULA 20 de Diciembre de 2013 Introducción Recordemos la definición de Variable Aleatoria Continua. Variable

Más detalles

ESTADÍSTICA INFERENCIAL

ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 9 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización Los métodos estadísticos y las técnicas de

Más detalles

Generación de Números Aleatorios. Modelos de Probabilidad. Introducción a la Simulación con EXCEL.

Generación de Números Aleatorios. Modelos de Probabilidad. Introducción a la Simulación con EXCEL. PRÁCTICAS DE ESTADÍSTICA 1º CURSO DE GRADO EN CC. AMBIENTALES Guión de la práctica 4: Curso 2009/2010 7/04/2010. Generación de Números Aleatorios. Modelos de Probabilidad. Introducción a la Simulación

Más detalles

Muestreo y Distribuciones muestrales. 51 SOLUCIONES

Muestreo y Distribuciones muestrales. 51 SOLUCIONES Muestreo y Distribuciones muestrales. 51 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería Soluciones de la hoja de problemas 5. Muestreo

Más detalles

ESTADISTICA INFERENCIAL

ESTADISTICA INFERENCIAL ESTADISTICA INFERENCIAL PROFESOR: DR. JORGE ACUÑA A. 1 LA ESTADISTICA Estadística descriptiva Método científico Muestreo Información de entrada y de salida Estadística inferencial Inferencias Intervalos

Más detalles

TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL

TEMA 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 detalles

Introducción al Tema 9

Introducción al Tema 9 Tema 2. Análisis de datos univariantes. Tema 3. Análisis de datos bivariantes. Tema 4. Correlación y regresión. Tema 5. Series temporales y números índice. Introducción al Tema 9 Descripción de variables

Más detalles

LA DISTRIBUCIÓN NORMAL

LA DISTRIBUCIÓN NORMAL LA DISTRIBUCIÓN NORMAL En estadística y probabilidad se llama distribución normal, distribución de Gauss o distribución gaussiana, a una de las distribuciones de probabilidad que con más frecuencia aparece

Más detalles

Distribución Normal Curva Normal distribución gaussiana

Distribución Normal Curva Normal distribución gaussiana Distribución Normal La distribución continua de probabilidad más importante en todo el campo de la estadística es la distribución normal. La distribución normal tiene grandes aplicaciones prácticas, en

Más detalles

Modelado y Optimización de Proyectos

Modelado y Optimización de Proyectos 1. Red de actividades Modelado y Optimización de Proyectos 2. Camino crítico (CPM Critical Path Method) 3. CPM con costes 4. Probabilidad de acabar un proyecto a tiempo (PERT Program Evaluation and Review

Más detalles

7. Distribución normal

7. Distribución normal 7. Distribución normal Sin duda, la distribución continua de probabilidad más importante, por la frecuencia con que se encuentra y por sus aplicaciones teóricas, es la distribución normal, gaussiana o

Más detalles

TEMA 4: BALANCES DE ENERGÍA. IngQui-4 [1]

TEMA 4: BALANCES DE ENERGÍA. IngQui-4 [1] TEMA 4: BALANCES DE ENERGÍA IngQui-4 [1] OBJETIVOS! Aplicar la ecuación de conservación al análisis de la energía involucrada en un sistema.! Recordar las componentes de la energía (cinética, potencial

Más detalles

EJERCICIO 16 LA COMPETENCIA PERFECTA. La función de demanda siguiente es la misma para todos los compradores: P = -20q + 164

EJERCICIO 16 LA COMPETENCIA PERFECTA. La función de demanda siguiente es la misma para todos los compradores: P = -20q + 164 EJERCICIO 16 LA COMPETENCIA PERFECTA El modelo de competencia perfecta es uno de los modelos de mercado más importantes en microeconomía. En este ejercicio analizamos dicho modelo. * Consideremos una situación

Más detalles

Distribución Normal. Universidad Diego Portales Facultad de Economía y Empresa. Estadística I Profesor: Carlos R. Pitta

Distribución 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 detalles

Unidad 4. Capitalización compuesta y descuento compuesto

Unidad 4. Capitalización compuesta y descuento compuesto Unidad 4. Capitalización compuesta y descuento compuesto 0. ÍNDICE. 1. CAPITALIZACIÓN COMPUESTA. 1.1. Concepto. 1.2. Cálculo de los intereses totales y del interés de un período s. 1.3. Cálculo del capital

Más detalles

Probabilidades. Universidad de las Américas Instituto de Matemática, Física y Estadística. Centro de Aprendizaje Matemático - CAM

Probabilidades. Universidad de las Américas Instituto de Matemática, Física y Estadística. Centro de Aprendizaje Matemático - CAM Universidad de las Américas Instituto de Matemática, Física y Estadística. Centro de Aprendizaje Matemático - CAM Probabilidades P(A) = Casos favorables Casos posibles Objetivos: Definir el concepto de

Más detalles

Determinante de una matriz

Determinante de una matriz 25 Matemáticas I : Preliminares Tema 3 Determinante de una matriz 31 Determinante de una matriz cuadrada Definición 67- Sea A una matriz cuadrada de orden n Llamaremos producto elemental en A al producto

Más detalles

CONTROL DE INVENTARIOS DE ÍTEMS ESPECIALES

CONTROL DE INVENTARIOS DE ÍTEMS ESPECIALES Facultad de Ingeniería Escuela de Ingeniería Industrial Curso: Sistemas de Alamcenamiento e Inventarios CONTROL DE INVENTARIOS DE ÍTEMS ESPECIALES Profesor: Julio César Londoño O Generalidades Ítems A,

Más detalles

4. Medidas de tendencia central

4. Medidas de tendencia central 4. Medidas de tendencia central A veces es conveniente reducir la información obtenida a un solo valor o a un número pequeño de valores, las denominadas medidas de tendencia central. Sea X una variable

Más detalles

DISTRIBUCIONES DE PROBABILIDAD BINOMIAL

DISTRIBUCIONES DE PROBABILIDAD BINOMIAL Probabilidad DISTRIBUCIONES DE PROBABILIDAD BINOMIAL Copyright 21, 27, 24 Pearson Education, Inc. All Rights Reserved. 4.1-1 Ejemplo de repaso Use la siguiente distribución de probabilidad para contestar

Más detalles

Microeconomía Intermedia

Microeconomía Intermedia Microeconomía Intermedia Colección de preguntas tipo test y ejercicios numéricos, agrupados por temas y resueltos por Eduardo Morera Cid, Economista Colegiado. Tema 10 La maximización del beneficio Enunciados

Más detalles

Hemos visto que si se tira una moneda (con p = P (cruz)) n veces, entonces el número de cruces se distribuye como binomial.

Hemos 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 detalles

Probabilidad y Estadística

Probabilidad y Estadística Probabilidad y Estadística Tema 8 Distribución normal estándar y distribuciones relacionadas Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Explicar los conceptos de la distribución

Más detalles

Test de Kolmogorov-Smirnov

Test 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 detalles

P (X 5) = P (x = 5) + P (X = 6) + P (X = 7) + P (X = 8) = 0.005416467 + 0.051456432 + 0.79334918 + 0.663420431 = 0.999628249

P (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 detalles

Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias

Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias Estadística Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Noviembre 2010 Contenidos...............................................................

Más detalles

la posición de inventario no será igual al inventario disponible cuando se coloca un pedido en términos de los inventarios disponibles 4.

la posición de inventario no será igual al inventario disponible cuando se coloca un pedido en términos de los inventarios disponibles 4. 1.- Una empresa que se dedica a la venta de bebidas gaseosas tiene una demanda anual de 3600 cajas, Una caja de bebidas le cuesta a la empresa $3.00, el costo de cada pedidos es de $ 20.00, y los costos

Más detalles

SEMINARIO DE FIN DE CARRERA MODELOS DE INVENTARIOS APUNTES DE CLASE

SEMINARIO DE FIN DE CARRERA MODELOS DE INVENTARIOS APUNTES DE CLASE SEMINARIO DE FIN DE ARRERA MODELOS DE INVENTARIOS APUNTES DE LASE Los inventarios son necesarios, pero el problema importante es cuánto se debe tener en ellos. Las razones para tener inventarios son: ostos

Más detalles

SISTEMAS DE INVENTARIO

SISTEMAS DE INVENTARIO SISTEMAS DE INVENTARIO 1 Sistemas de inventario http://www.scribd.com/doc/525918/sistemas-de-inventarios Mantener un inventario (existencia de bienes) para su venta o uso futuro es una práctica común en

Más detalles

ESTADÍSTICA INFERENCIAL

ESTADÍSTICA 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 detalles

ÍNDICE CAPITULO UNO CAPITULO DOS. Pág.

ÍNDICE CAPITULO UNO CAPITULO DOS. Pág. ÍNDICE CAPITULO UNO Pág. Concepto de Estadística 1 Objetivo 1 Diferencia entre estadísticas y estadística 1 Uso de la estadística 1 Divisiones de la estadística 1 1. Estadística Descriptiva 1 2. Estadística

Más detalles

2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria

2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria 2. Probabilidad y variable aleatoria Curso 2011-2012 Estadística 2. 1 Probabilidad 2 Experimento Aleatorio EL término experimento aleatorio se utiliza en la teoría de la probabilidad para referirse a un

Más detalles

El 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 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 detalles

1. Conocimientos previos. 1 Funciones exponenciales y logarítmicas.

1. 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 detalles

PROFESORADO DE EDUCACIÓN SECUNDARIA EN MATEMÁTICA

PROFESORADO DE EDUCACIÓN SECUNDARIA EN MATEMÁTICA PROFESORADO DE EDUCACIÓN SECUNDARIA EN MATEMÁTICA Ciclo Lectivo: 2014 Curso: Segundo Año Espacio Curricular: PROBABILIDAD Y ESTADÍSTICA I Régimen de cursado: Anual Formato: Asignatura Carga horaria: 4

Más detalles

1. Qué representa el coste financiero de un inventario?

1. Qué representa el coste financiero de un inventario? ECONOMÍA DE LA EMPREA LICEO LUI BUÑUEL CUETIONE REUELTA UNIDAD 6 1. ué representa el coste financiero de un inventario? Coste financiero; representa la cantidad de dinero que la empresa podría tener si

Más detalles

Técnicas Cuantitativas para el Management y los Negocios I

Técnicas 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 detalles

2.5. Asimetría y apuntamiento

2.5. Asimetría y apuntamiento 2.5. ASIMETRÍA Y APUNTAMIENTO 59 variable Z = X x S (2.9) de media z = 0 y desviación típica S Z = 1, que denominamos variable tipificada. Esta nueva variable carece de unidades y permite hacer comparables

Más detalles

TEMA 2: DERIVADA DE UNA FUNCIÓN

TEMA 2: DERIVADA DE UNA FUNCIÓN TEMA : DERIVADA DE UNA FUNCIÓN Tasa de variación Dada una función y = f(x), se define la tasa de variación en el intervalo [a, a +h] como: f(a + h) f(a) f(a+h) f(a) y se define la tasa de variación media

Más detalles

Cap. 1 Funciones de Varias variables. Moisés Villena Muñoz

Cap. 1 Funciones de Varias variables. Moisés Villena Muñoz Cap. Funciones de Varias variables. Definición de Funciones de dos variables. Dominio. Grafica..4 Curvas de nivel. Derivadas Parciales.6 Funciones Homogéneas.7 Funciones Nomotéticas.8 Diferencial Total.9

Más detalles

PROGRAMACIÓN LINEAL. 1. Introducción

PROGRAMACIÓN LINEAL. 1. Introducción PROGRAMACIÓN LINEAL 1. Introducción La programación lineal es una técnica matemática relativamente reciente (siglo XX), que consiste en una serie de métodos y procedimientos que permiten resolver problemas

Más detalles

Probabilidades y la curva normal

Probabilidades y la curva normal Probabilidades y la curva normal Las distribuciones reales y las distribuciones teóricas Por Tevni Grajales Guerra Tal cual estudiamos en nuestro tercer tema. Cuando registramos los valores de una variable

Más detalles

Profr. Efraín Soto Apolinar. La función racional

Profr. Efraín Soto Apolinar. La función racional La función racional Ahora estudiaremos una extensión de las funciones polinomiales. Las funciones racionales se definen a partir de las funciones polinomiales. Esta generalización es semejante a la que

Más detalles

MUESTREO Y MEDICIÓN MÉTODOS DE MUESTREO PROBABILÍSTICO Y NO PROBABILÍSTICO. FeGoSa

MUESTREO Y MEDICIÓN MÉTODOS DE MUESTREO PROBABILÍSTICO Y NO PROBABILÍSTICO. FeGoSa MÉTODOS DE MUESTREO PROBABILÍSTICO Y NO PROBABILÍSTICO TAMAÑO DE LA MUESTRA AL ESTIMAR LA MEDIA DE LA POBLACIÓN Al prever el intervalo de confianza resultante de una media muestral y la desviación estándar,

Más detalles

Máximo o mínimo de una función. Solución: El mínimo de una función se da en los puntos que anulan su derivada y tiene derivada segunda positiva.

Máximo o mínimo de una función. Solución: El mínimo de una función se da en los puntos que anulan su derivada y tiene derivada segunda positiva. Análisis: Máimos, mínimos, optimización 1 Máimo o mínimo de una función Observación: La mayoría de estos ejercicios se han propuesto en las pruebas de Selectividad, en los distintos distritos universitarios

Más detalles

Tema 11: Intervalos de confianza.

Tema 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 detalles

Valor de la Flexibilidad una introducción analizando con Hoja de Cálculo el caso de un garaje de varios pisos

Valor de la Flexibilidad una introducción analizando con Hoja de Cálculo el caso de un garaje de varios pisos Valor de la Flexibilidad una introducción analizando con Hoja de Cálculo el caso de un garaje de varios pisos Tao Wang y Richard de Neufville Para Recordar Es común en la ingeniería diseñar para un objetivo

Más detalles

Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B

Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B 1. Queremos invertir una cantidad de dinero en dos tipos

Más detalles

TEMA 6 LA EMPRESA: PRODUCCIÓN, COSTES Y BENEFICIOS

TEMA 6 LA EMPRESA: PRODUCCIÓN, COSTES Y BENEFICIOS TEMA 6 LA EMPRESA: PRODUCCIÓN, COSTES Y BENEFICIOS 1 Contenido 1. Introducción 2. Conceptos básicos 3. La función de producción y la productividad 3.1. Concepto de función de producción 3.2. Productividad

Más detalles

Práctica 2 Métodos de búsqueda para funciones de una variable

Práctica 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 detalles

Fundamentos de Investigación de Operaciones Certamen # 2

Fundamentos de Investigación de Operaciones Certamen # 2 Certamen # 2 Profesores: María Cristina Riff & Esteban Sáez 6 de junio de 2003 1. Una pequeña empresa constructora debe construir 3 casas en los próximos 5 meses. Una vez que alguna de las casas está terminada,

Más detalles

Muestreo y estimación: problemas resueltos

Muestreo y estimación: problemas resueltos Muestreo y estimación: problemas resueltos BENITO J. GONZÁLEZ RODRÍGUEZ (bjglez@ull.es) DOMINGO HERNÁNDEZ ABREU (dhabreu@ull.es) MATEO M. JIMÉNEZ PAIZ (mjimenez@ull.es) M. ISABEL MARRERO RODRÍGUEZ (imarrero@ull.es)

Más detalles

La distribución Normal

La distribución Normal La distribución Normal Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística, Investigación Operativa Aplicadas y Calidad

Más detalles

Problemas resueltos. Tema 12. 2º La hipótesis alternativa será que la distribución no es uniforme.

Problemas resueltos. Tema 12. 2º La hipótesis alternativa será que la distribución no es uniforme. Tema 12. Contrastes No Paramétricos. 1 Problemas resueltos. Tema 12 1.- En una partida de Rol se lanza 200 veces un dado de cuatro caras obteniéndose 60 veces el número 1, 45 veces el número 2, 38 veces

Más detalles

CÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS SIMCE

CÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS SIMCE CÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS SIMCE SIMCE Unidad de Currículum y Evaluación Ministerio de Educación 011 Índice 1. Antecedentes Generales 1. Comparación de puntajes promedios.1. Errores

Más detalles

Ejercicios de Vectores Aleatorios

Ejercicios 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 detalles

TEMA 11. LA FIABILIDAD DE LOS TESTS

TEMA 11. LA FIABILIDAD DE LOS TESTS TEMA 11. LA FIABILIDAD DE LOS TESTS 11.1. Métodos empíricos para estimar el coeficiente de Fiabilidad 11.2. Factores que afectan al Coeficiente de Fiabilidad 11.3. Interpretación del Coeficiente de Fiabilidad

Más detalles

Variables aleatorias: problemas resueltos

Variables aleatorias: problemas resueltos Variables aleatorias: problemas resueltos BENITO J. GONZÁLEZ RODRÍGUEZ bjglez@ull.es DOMINGO HERNÁNDEZ ABREU dhabreu@ull.es MATEO M. JIMÉNEZ PAIZ mjimenez@ull.es M. ISABEL MARRERO RODRÍGUEZ imarrero@ull.es

Más detalles

Teorema de Bayes. mientras que B tiene una tasa de defectos del 4%.

Teorema de Bayes. mientras que B tiene una tasa de defectos del 4%. Teorema de Bayes Ejemplo: En una empresa manufacturera, una máquina A produce el 60% de la producción total, mientras que una máquina B el restante 40%. 71 El 2% de las unidades producidas por A son defectuosas,

Más detalles

La simulación implica construir una replica de algún sistema real y usarlo bajo condiciones de prueba

La 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 detalles

x 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.

x 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 detalles

Ejercicios de Matrices, determinantes y sistemas de ecuaciones lineales. Álgebra 2008

Ejercicios de Matrices, determinantes y sistemas de ecuaciones lineales. Álgebra 2008 Ejercicios de Matrices, determinantes sistemas de ecuaciones lineales. Álgebra 8 - Dado el sistema de ecuaciones lineales 5 (a) ['5 puntos] Clasifícalo según los valores del parámetro λ. (b) [ punto] Resuélvelo

Más detalles

Una población es el conjunto de todos los elementos a los que se somete a un estudio estadístico.

Una población es el conjunto de todos los elementos a los que se somete a un estudio estadístico. Introducción a la Melilla Definición de La trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un estudio estadístico

Más detalles