LENGUAJE DE SIMULACION Y SIMULADORES

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

Download "LENGUAJE DE SIMULACION Y SIMULADORES"

Transcripción

1 LENGUAJE DE SIMULACION Y SIMULADORES En un principio, los programas de simulación se elaboraban utilizando algún lenguaje de propósito general, como ASSEMBLER, FORTRAN, ALGOL o PL/I. A partir de la década de 1960 hacen su aparición los lenguajes específicos para simulación como GPSS, GASP, SIMSCRIPT, SLAM. En la última década del siglo pasado la aparición de las interfaces gráficas revolucionaron el campo de las aplicaciones en esta área, y ocasionaron el nacimiento de los simuladores. En lo práctico, es importante utilizar la aplicación que mejor se adecúe al tipo de sistema a simular, ya que de la selección del lenguaje o simulador dependerá el tiempo de desarrollo del modelo de simulación. Las opciones van desde las hojas de cálculo, lenguajes de tipo general (como Visual Basic, C++ o Fortan), lenguajes específicos de simulación (como GPSS, SLAM, SIMAN, SIMSCRIPT, GAS y SSED), hasta simuladores específicamente desarrollados para diferentes objetivos (como SIMPROCESS, ProModel, Witness, Taylor II y Cristal Ball). APRENDIZAJE Y USO LENGUAJE DE SIMULACIÓNO SIMULADOR Los lenguajes de simulación facilitan enormemente el desarrollo y ejecución de simulaciones de sistemas complejos del mundo real. Los lenguajes de simulación son similares a los lenguajes de programación de alto nivel pero están especialmente preparad os para determinadas aplicaciones de la simulación. Así suelen venir acompañados de una metodología de programación apoyada por un sistema de símbolos propios para la descripción del modelo por ejemplo mediante diagramas de flujo u otras herramientas que simplifican notablemente la modelización y facilitan la posterior depuración del modelo. Características de los lenguajes de simulación: Los lenguajes de simulación proporcionan automáticamente las características necesarias para la programación de un modelo de simulación, lo que redunda en una reducción significativa del esfuerzo requerido para programar el modelo. Proporcionan un marco de trabajo natural para el uso de modelos de simulación. Los bloques básicos de construcción del lenguaje son mucho más afines a los propósitos de la simulación que los de un lenguaje de tipo general. Los modelos de simulación son mucho más fácilmente modificables. Proporcionan muchos de ellos una asignación dinámica de memoria durante la ejecución Facilitan una mejor detección de los errores. Los paquetes de software especialmente diseñados para simulación contienen aplicaciones diversas que facilitan al simulador las tareas de comunicaciones, la depuración de errores sintácticos y de otro tipo de errores, la generación de escenarios, la manipulación on-line de los modelos, etc. Son muy conocidos y en uso actualmente Aprendizaje lleva cierto tiempo Simuladores de alto nivel Muy fáciles de usar por su interface gráfica Restringidos a las áreas de manufactura y comunicaciones Flexibilidad restringida puede afectar la validez del modelo CASOS PRACTICOS DE SIMULACIÓN

2 Un caso práctico de una simulación podemos decir en esta parte, la simulación del Método de Monte Carlo. ALGORITMOS El algoritmo de Simulación Monte Carlo Crudo o Puro está fundamentado en la generación de números aleatorios por el método de Transformación Inversa, el cual se basa en las distribuciones acumuladas de frecuencias: Determinar la/s V.A. y sus distribuciones acumuladas(f) Generar un número aleatorio uniforme Î (0,1). Determinar el valor de la V.A. para el número aleatorio generado de acuerdo a las clases que tengamos. Calcular media, desviación estándar error y realizar el histograma. Analizar resultados para distintos tamaños de muestra. EJEMPLO PRACTICO I Tenemos la siguiente distribución de probabilidades para una demanda aleatoria y queremos ver qué sucede con el promedio de la demanda en varias iteraciones: Utilizando la distribución acumulada (F(x) es la probabilidad que la variable aleatoria tome valores menores o iguales a x) podemos determinar cuál es el valor obtenido de unidades cuando se genera un número aleatorio a partir de una distribución continua uniforme. Este método de generación de variable aleatoria se llama Transformación Inversa. Generando los valores aleatorios vamos a ver como se obtiene el valor de la demanda para cada día, interesándonos en este caso como es el orden de aparición de los valores. Se busca el número aleatorio generado en la tabla de probabilidades acumuladas, una vez encontrado (si no es el valor exacto, éste debe ser menor que el de la fila seleccionada pero mayor que el de la fila anterior), de esa fila tomada como solución se toma el valor de las unidades (Cuando trabajamos en Excel debemos tomar el límite inferior del intervalo para busca en las acumuladas, para poder emplear la función BUSCARV (), para 42 sería 0, para 43 0, y así sucesivamente). Ejemplo: Supongamos que el número aleatorio generado sea 0,52, a qué valor de unidades corresponde? Nos fijamos en la columna de frecuencias acumuladas, ese valor exacto no aparece, el siguiente mayor es 0,70 y corresponde a 48 unidades. Se puede apreciar mejor en el gráfico, trazando una recta desde el eje de la frecuencia hasta que intersecta con la línea de la función acumulada, luego se baja a la coordenada de unidades y se obtiene el valor correspondiente; en este caso 48. Cuando trabajamos con variables discretas la función acumulada tiene un intervalo o salto para cada variable (para casos prácticos hay que definir los intervalos y luego con una función de búsqueda hallar el valor). Para funciones continuas se puede hallar la inversa de la función acumulada. De esta forma logramos a partir de la distribución de densidad calcular los valores de La variable aleatoria dada. En la siguiente tabla, vemos como a medida que aumenta el número de simulaciones, el valor simulado se acerca al valor original de la media y desviación estándar, además de la disminución del error típico. PROBLEMAS CON LINEA DE ESPERA Simulación de una línea de espera con una fila y un servidor Un sistema de colas estara definido cuando tengamos la siguiente informacion acerca de este: Distribucion de probabilidad de los tiempos de servicio

3 Distribucion de probabilidad de los tiempos entre llegadas Numero de servidores Numero de filas Conexiones entre servidores y filas Disciplinas y restricciones de los servidores y filas (en caso de que existan) Para este primer ejemplo se utilizara el modelo de lineas de espera que se muestra en la figura siguiente. Como se puede apreciar, es un modelo bastante simple donde la disciplina de atención es FIFO (primero en llegar, primero en salir). Tanto el tiempo de servicio como el tiempo entre llegadas siguen una distribucion exponencial aunque con parametros diferentes, para el caso del tiempo entre llegadas tenemos λ=15 y para el tiempo de servicio tenemos λ=10. Aplicando el metodo de la transformada inversa a la distribucion exponencial (consultar Dyner etc. al, 2008), tenemos que: Donde corresponde a una observación de una variable exponecial, _ es un numero aleatorio entre cero y uno y λ es la media de la distribucion. Para la implementacion del sistema descrito en Excel, abra una nueva hoja de calculo y configurela como se muestra en la figura. En la celda B8 escriba la formula =ALEATORIO() y arrastre hasta la celda B23. Repita este procedimiento para la columna G. En el paso anterior, se definio los numeros aleatorios a partir de los cuales se generaran las observaciones de variables aleatorias de la simulacion. Ahora, en la celda C8 escribe la formula =-LN(1-B8)/$B$4, y arrastre hasta la celda C23. Como se puede apreciar, esta es la formula descrita anteriormente para obtener observaciones de una variable exponencial. En este caso, se estan generando observaciones para la variable aleatoria de tiempos entre llegadas. En la celda D8 escribe la formula =C8, lo anterior significa que como es la primera llegada al sistema, su tiempo de llegada (en el instante de tiempo en el que llego al sistema), sera igual a su tiempo entre llegadas. Sin embargo, para la celda D9 la formula correspondiente es =C9+D8, ahora arrastre la fórmula de D9 hasta D23; esta fórmula significa que despues de que llega el primer cliente, el instante de tiempo en el que cualquier otro cliente llega al sistema sera el instante de tiempo en el que entro el penúltimocliente sumado el tiempo entre llegadas del último cliente, es decir, si el penultimo cliente entro al sistema en el instante t=4, y el tiempo entre llegadas del ultimo cliente es dt=2, entonces este último cliente entrara realmente al sistema en t=6. La fórmula correspondiente a la celda E8 es =D8, esto significa que, al ser primer cliente, el instante en el que llega al sistema sera el mismo instante en el que comienza el servicio; más adelante se presenta las formulas correspondientes al resto de clientes del sistema en esta columna. Ahora en la celda F8 escriba la formula =E8-D8 y arrastrela hasta la celda F23, esto corresponde al tiempo de espera del cliente antes de comenzar a ser atendido, note que D8 nunca sera mayor que E8 ya que el valor minimo que puede tomar el tiempo de comienzo del servicio es el tiempo de llegada, es decir, cuando un cliente llega al sistema y no tiene que hacer fila. En la celda H8 escribe la formula =-LN (1-G7)/$B$5, y arrastre la hasta la celda H23, esta fórmula indica cuanto tiempo tardara el servidor atendiendo al cliente actual. Ahora en la celda I8 escriba la formula =E8+H8, esta fórmula indica el instante de tiempo en el que servidor termina de atender al cliente actual y corresponde a la suma entre el instante que comienza el servicio y la cantidad de tiempo que este toma. Retomemos ahora la columna E, nótese que esta solo está definida en su posición E8, esto porque primero se requería definir otros valores antes de poder determinar el instante en el que empieza realmente el servicio. En un sistema como el aquí presentado se pueden tener dos casos para el tiempo de comienzo del servicio, en primer lugar puede que el servidor se encuentre desocupado, en este caso el tiempo de comienzo del servicio será igual al tiempo de llegada al sistema y no habrá tiempo de espera. Sin embargo, si el servidor se encuentra ocupado, el tiempo de comienzo del servicio será igual al máximo entre el instante en que el servidor termine de atender al cliente actual y el tiempo de llegada al sistema; por si el tiempo de fin del servicio del cliente actual es igual a tfs=12 pero el tiempo de llegada del próximo cliente es tll=14, el tiempo de comienzo del servicio del proximo

4 cliente será t=14 y el servidor tendra un ocio dt=2; por otro lado, si tfs=13 para el cliente actual y el proximo cliente tiene un tll=10, el servidor no tendra ocio y el proximo cliente deberá esperar un intervalo de tiempo dt=3. De lo anterior se concluye que la fórmula para la celda E9 debe ser =MAX (D9;I8), ahora arrastre esta fórmula hasta la celda E23. Hasta este punto se tiene una simulacion de un sistema de líneas de espera con una fila y un servidor, si se desea generar nuevas observaciones presione la tecla F9; como tarea al lector se deja el cálculo de: Tiempo promedio en el sistema Tiempo promedio de espera (sin incluir ceros) Tiempo promedio de espera (incluyendo ceros) Tiempo promedio de servicio Tiempo promedio de ocio Adicionalmente se plantea al lector elaborar, una simulacion en Excel que represente el sistema que se muestra en la figura siguiente, donde p es la probabilidad de que un cliente se dirija a S1 o a S2. Tanto el tiempo entre llegadas como los tiempos de servicio, se distribuyen exponencial con los parámetros que se muestran a continuación. Tiempo entre llegadas: λ=8 Tiempo de servicio S1: λ=13 Tiempo de servicio S2: λ=18 Probabilidad p: 0.63 EJEMPLO DE UN CASO DE SIMULACION

5 Please download full document at Thanks

Unidad IV: Lenguajes de simulación

Unidad IV: Lenguajes de simulación Unidad IV: Lenguajes de simulación 4.1 Lenguaje de simulación y simuladores En un principio, los programas de simulación se elaboraban utilizando algún lenguaje de propósito general, como ASSEMBLER, FORTRAN,

Más detalles

GUIA DE SIMULACION UNIVERSIDAD POLITECNICA DE NICARAGUA. Marzo 25, 2011 Autor: KATIA NORELLY MENDOZA FAJARDO

GUIA DE SIMULACION UNIVERSIDAD POLITECNICA DE NICARAGUA. Marzo 25, 2011 Autor: KATIA NORELLY MENDOZA FAJARDO GUIA DE SIMULACION UNIVERSIDAD POLITECNICA DE NICARAGUA Marzo 25, 2011 Autor: KATIA NORELLY MENDOZA FAJARDO Qué es la Simulación? Una definición más formal, es que la simulación es el proceso de diseñar

Más detalles

GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS

GENERACION 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 detalles

Solución al Primer Parcial de Introducción a la Investigación de Operaciones Fecha: 11 de mayo de 2002

Solución al Primer Parcial de Introducción a la Investigación de Operaciones Fecha: 11 de mayo de 2002 Solución al Primer Parcial de Introducción a la Investigación de Operaciones Fecha: de mayo de 22 INDICACIONES Duración del parcial: 4 hrs. Escribir las hojas de un solo lado. No se permite el uso de material

Más detalles

MODELADO, OPTIMIZACION Y SIMULACIÓN POR COMPUTADORA CONCEPTOS BASICOS. Representación idealizada de un sistema

MODELADO, OPTIMIZACION Y SIMULACIÓN POR COMPUTADORA CONCEPTOS BASICOS. Representación idealizada de un sistema MODELADO, OPTIMIZACION Y SIMULACIÓN POR COMPUTADORA DESCRIPCION: Curso teórico-práctico en el que se revisa los principios de la simulación estocástica de sistemas de evento discreto para diseñar, mejorar

Más detalles

1º BCNySyT Distribuciones binomial y normal Excel

1º BCNySyT Distribuciones binomial y normal Excel 1º BCNySyT - 14. Distribuciones binomial y normal Excel PASO A PASO 1. Calcula los parámetros de la variable aleatoria número de hijas y haz el diagrama de barras de frecuencias relativas. Número de hijas:

Más detalles

MICROSOFT 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. 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 detalles

GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS

GENERACION 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 detalles

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Aplicación de la simulación regenerativa y la técnica bootstrap, para mejorar la calidad del estimador.

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Aplicación de la simulación regenerativa y la técnica bootstrap, para mejorar la calidad del estimador. UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMATICAS E.A.P. DE..INVESTIGACIÓN OPERATIVA Aplicación de la simulación regenerativa y la técnica bootstrap, para mejorar la calidad del

Más detalles

Metodología de Simulación por Computadora

Metodología de Simulación por Computadora SIMULACIÓN Metodología de Simulación por Computadora Clasificación del sistema 1. Sistemas de eventos discretos. Los estados del sistema cambian sólo en ciertos puntos del tiempo. Por ejemplo, si se observa

Más detalles

Algoritmos y Estructuras de Datos Fundamentos de Programación 2 PRÁCTICA 4. Simulación de colas

Algoritmos y Estructuras de Datos Fundamentos de Programación 2 PRÁCTICA 4. Simulación de colas PRÁCTICA Nº 4: 1 sesión Simulación de colas (S4: 5, 20, 21, 29 y 30 de abril de 2004) 0. OBJETIVO El objetivo de esta práctica es implementar y utilizar el tipo abstracto de datos Cola mediante las clases

Más detalles

UNIDAD IV LENGUAJES DE SIMULACIÓN

UNIDAD IV LENGUAJES DE SIMULACIÓN INSTITUTO TECNOLÓGICO DE CIUDAD VICTORIA MODALIDAD A DISTANCIA SIMULACIÓN UNIDAD IV LENGUAJES DE SIMULACIÓN LENGUAJES DE SIMULACION 1 Las primeras etapas de un estudio de se refieren a la definición del

Más detalles

Práctica 4: Variables Aleatorias y Simulación

Práctica 4: Variables Aleatorias y Simulación Práctica 4: Variables Aleatorias y Simulación Objetivos específicos Al finalizar esta práctica deberás ser capaz de: Calcular las funciones de probabilidad y distribución de las variables discretas Bernoulli,

Más detalles

El riesgo en los proyectos

El riesgo en los proyectos El riesgo en los proyectos por Gabriel Pruneda El riesgo de un proyecto se define como la posibilidad de tener diferencias o bien, variabilidad, entre los flujos de cajas reales respecto a los flujos estimados.

Más detalles

E2: Aplicaciones y Lenguajes de Simulación. Megatendencias en el ámbito académico

E2: Aplicaciones y Lenguajes de Simulación. Megatendencias en el ámbito académico Miguel Ángel Rosendo Esquivel A01127094 Luis Daniel Samper Escalante A01127128 David Figueroa Hernández A01127491 E2: Aplicaciones y Lenguajes de Simulación. Megatendencias en el ámbito académico a) Descripción

Más detalles

Materia: Simulación 1. Unidad 2: LAS ETAPAS DE LA SIMULACION NUMERICA. Tema: 2.3 La colección de datos y la implementación del modelo.

Materia: Simulación 1. Unidad 2: LAS ETAPAS DE LA SIMULACION NUMERICA. Tema: 2.3 La colección de datos y la implementación del modelo. INSTITUTO TECNOLÓGICO DE VERACRUZ Materia: Simulación 1 Unidad 2: LAS ETAPAS DE LA SIMULACION NUMERICA. Tema: 2.3 La colección de datos y la implementación del modelo. Catedrático: Dr. José Antonio Garrido

Más detalles

Distribución de frecuencia.

Distribución de frecuencia. Dr. Jesús Alberto Mellado Si de una población se extrae una muestra de tamaño n, y en esa muestra se mide alguna característica, entonces, con los datos recabados se puede elaborar una distribución de

Más detalles

Modelos de Simulación en Excel

Modelos de Simulación en Excel Modelos de Simulación en Excel DIANA COBOS DEL ANGEL El tiempo que transcurre entre la llegada de ciertas piezas a una estación de inspección sigue una distribución exponencial con media de 5 minutos/pieza.

Más detalles

Estadística I Guión de la Práctica 2 Probabilidad y modelos probabilísticos; Introducción a la inferencia estadística

Estadística I Guión de la Práctica 2 Probabilidad y modelos probabilísticos; Introducción a la inferencia estadística Estadística I Guión de la Práctica Probabilidad y modelos probabilísticos; Introducción a la inferencia estadística 1. Simulación de las variables aleatorias En Excel podemos simular valores de variables

Más detalles

S = N λ = 5 5 = 1 hora.

S = N λ = 5 5 = 1 hora. Teoría de Colas / Investigación Operativa 1 PROBLEMAS DE INVESTIGACIÓN OPERATIVA. Hoja 5 1. Al supercomputador de un centro de cálculo llegan usuarios según un proceso de Poisson de tasa 5 usuarios cada

Más detalles

CAPÍTULO 5 ANÁLISIS 1. AJUSTE DE FLUJOS DE EFECTIVO A UNA DISTRIBUCIÓN CONOCIDA

CAPÍTULO 5 ANÁLISIS 1. AJUSTE DE FLUJOS DE EFECTIVO A UNA DISTRIBUCIÓN CONOCIDA CAPÍTULO ANÁLISIS. AJUSTE DE FLUJOS DE EFECTIVO A UNA DISTRIBUCIÓN CONOCIDA A continuación se realizarán las pruebas de bondad de ajuste para determinar si los flujos de efectivo siguen una distribución

Más detalles

Práctica de SIMULACIÓN

Práctica de SIMULACIÓN 1 Práctica de SIMULACIÓN 1. Objetivos En esta práctica vamos a simular datos procedentes de diversos modelos probabilísticos. En la sección 2, comprobaremos visualmente que los datos que simulamos se ajustan

Más detalles

UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Modelos de Simulación Guía práctica #4

UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Modelos de Simulación Guía práctica #4 UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Modelos de Simulación Guía práctica #4 Prof.: MSc. Julio Rito Vargas A. Febrero 2013 Objetivos: Aplicar las técnicas estudiadas para desarrollar

Más detalles

Generación de variables aleatorias continuas Método de la transformada inversa

Generación 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 detalles

EJERCICIO PROPUESTO CHI-CUADRADO O BONDAD DE AJUSTE

EJERCICIO PROPUESTO CHI-CUADRADO O BONDAD DE AJUSTE EJERCICIO PROPUESTO CHI-CUADRADO O BONDAD DE AJUSTE 1. Digamos que 900 estudiantes expresan su voluntad por celebrar el aniversario de la institución organizando uno de dos eventos: una acto solemne en

Más detalles

max z = c T x sujeto a Ax b

max z = c T x sujeto a Ax b Tema 4 Análisis de sensibilidad El análisis de sensibilidad se realiza después de obtener la solución óptima de un modelo lineal para deteminar como afectan los cambios en los parámetros del modelo a la

Más detalles

Definición de variable aleatoria

Definición 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 detalles

Generación de variables aleatorias continuas Método de la transformada inversa

Generación 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 detalles

INTRODUCCION A LA SIMULACION DE MODELOS. Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas.

INTRODUCCION A LA SIMULACION DE MODELOS. Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas. Tema N 1 Definiciones INTRODUCCION A LA SIMULACION DE MODELOS Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas. La simulación esencialmente es una

Más detalles

Transformaciones y esperanza

Transformaciones 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 detalles

Tema 5: Modelos probabilísticos

Tema 5: Modelos probabilísticos Tema 5: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable

Más detalles

PROBABILIDAD Y ESTADÍSTICA ININ4010 Prof. DAVID GONZÁLEZ BARRETO SOLUCIÓN ASIGNACIÓN 6

PROBABILIDAD Y ESTADÍSTICA ININ4010 Prof. DAVID GONZÁLEZ BARRETO SOLUCIÓN ASIGNACIÓN 6 PROBABILIDAD Y ESTADÍSTICA ININ4 Prof. DAVID GONZÁLEZ BARRETO SOLUCIÓN ASIGNACIÓN 6. Con base en probabilidades de la distribución normal a, 2 y 3 desviaciones, determine para una variable con μ = 5 y

Más detalles

MÉTODO DE MONTE CARLO MÉTODO DE BOOTSTRAP HEINZ ROQUE

MÉTODO DE MONTE CARLO MÉTODO DE BOOTSTRAP HEINZ ROQUE Programa de Capacitación y Actualización de las Mejores Prácticas en Materia de Asociaciones Público Privadas MÉTODO DE MONTE CARLO MÉTODO DE BOOTSTRAP HEINZ ROQUE MÉXICO DF, MÉXICO, OCTUBRE, 2013 ÍNDICE

Más detalles

IDAD NACIONAL DE LOJA

IDAD NACIONAL DE LOJA UNIVERSI IDAD NACIONAL DE LOJA ÁREA DE LA ENERGÍA, LAS INDUSTRIAS Y LOS RECURSOS NATURALES NO RENOVABLES INGENIERÍA EN SISTEMAS Módulo X Simulación INTEGRANTES: ANDREA SALINAS SILVANA PACHECO KATTY TAPIA

Más detalles

ESTADÍSTICA CON EXCEL

ESTADÍSTICA CON EXCEL ESTADÍSTICA CON EXCEL 1. INTRODUCCIÓN La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en

Más detalles

Combinar y centrar. Color de relleno. Bordes. Disminuir decimales. Centrar Color de fuente. Negrita.

Combinar y centrar. Color de relleno. Bordes. Disminuir decimales. Centrar Color de fuente. Negrita. Tema 9. Modelo de unidad didáctica de Excel 4º A y B ESO - 13. Estadística Excel Paso a paso Modificar el ancho de una columna Se coloca el ratón en la cabecera de las columnas, entre la columna cuyo ancho

Más detalles

EXAMEN DE ESTADÍSTICA

EXAMEN DE ESTADÍSTICA EXAMEN DE ESTADÍSTICA SEGUNDA CONVOCATORIA ORDINARIA. 2001-2002 2 o curso de Ingeniería Técnica de Informática de Sistemas. Departamento de Estadística e Investigación Operativa 1. En el problema de la

Más detalles

Simulación (y 2) Area de Ingeniería Telemática Grado en Ingeniería en Tecnologías de Telecomunicación, 4º

Simulación (y 2) Area de Ingeniería Telemática  Grado en Ingeniería en Tecnologías de Telecomunicación, 4º Gestión y Planificación de Redes y Servicios Simulación (y 2) Area de Ingeniería Telemática http://www.tlm.unavarra.es Grado en Ingeniería en Tecnologías de Telecomunicación, 4º Gestión y Planificación

Más detalles

Capítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved

Capítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved Capítulo 37 Distribución de probabilidad normal 2010 Pearson Prentice Hall. All rights 2010 reserved Pearson Prentice Hall. All rights reserved La distribución de probabilidad uniforme Hasta ahora hemos

Más detalles

Transformación bidimensional proyectiva (8 parámetros)

Transformación bidimensional proyectiva (8 parámetros) www.topoedu.es Los mejores recursos especializados en topografía y geodesia, nunca vistos hasta ahora. Hojas técnicas de cálculo: Transformación bidimensional proyectiva (8 parámetros) Solución mediante

Más detalles

Simulación INC SATCA 1 : Carrera:

Simulación INC SATCA 1 : Carrera: Datos Generales de la asignatura. Nombre de la asignatura: Clave de la asignatura: SATCA 1 : Carrera: Simulación INC-1027 2-2-4 Ingeniería Industrial Presentación. Esta asignatura aporta al perfil profesional

Más detalles

SECUENCIA DIDÁCTICA. Módulo IV Competencia de Módulo:

SECUENCIA DIDÁCTICA. Módulo IV Competencia de Módulo: SECUENCIA DIDÁCTICA Nombre de curso: Simulación de Sistemas. Antecedente: Ninguno Módulo IV Competencia de Módulo: Clave de curso: COM1505B21 Clave de antecedente: Ninguna Desarrollar software con la finalidad

Más detalles

Práctica 4 TEOREMA CENTRAL DEL LÍMITE

Práctica 4 TEOREMA CENTRAL DEL LÍMITE Práctica 4. Teorema Central del Límite 1 Práctica 4 TEOREMA CENTRAL DEL LÍMITE Objetivos: En esta práctica utilizaremos el paquete SPSS para ilustrar el Teorema Central del Límite. Además calcularemos

Más detalles

Figura 1. Generación de variables aleatorias.

Figura 1. Generación de variables aleatorias. PRÁCTICA 3. Ingeniería Técnica Industrial (2º) - Mecánica. Profesores: Javier Faulín y Francisco Ballestín 1. Generación de variables aleatorias. El programa nos permite generar variables aleatorias especificando

Más detalles

PROBABILIDADES 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 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 detalles

1. INTRODUCCIÓN. SIMULACIÓN: Técnicas para imitar el funcionamiento de sistemas o procesos reales mediante programas de ordenador.

1. INTRODUCCIÓN. SIMULACIÓN: Técnicas para imitar el funcionamiento de sistemas o procesos reales mediante programas de ordenador. . ÍNDICE 1.-Introducción 2.-Sistemas y modelos 3.-Simulación de modelos de sucesos discretos 4.-Componentes y organización de un estudio de simulación 5.-Ejemplo de simulación de una cola con un servidor

Más detalles

Tema 4: Modelos probabilísticos

Tema 4: Modelos probabilísticos Tema 4: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable

Más detalles

Capítulo 2. Métodos estadísticos Simulación estadística. Simulación univariante

Capítulo 2. Métodos estadísticos Simulación estadística. Simulación univariante Capítulo 2 Métodos estadísticos 21 Simulación estadística La simulación estadística consiste en generar realizaciones de variables aleatorias que siguen unas distribuciones concretas Si esas variables

Más detalles

Generación de números aleatorios con distribución uniforme

Generación 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 detalles

CAPITULO VI SIMULACION

CAPITULO VI SIMULACION CAPITULO VI SIMULACION 6.1 INTRODUCCIÓN Este capítulo describe el proceso de simulación que se utilizó para conocer el comportamiento de las soluciones que se presentaron en el capítulo anterior. 6.2 QUE

Más detalles

MATEMÁTICAS APLICADAS A LAS CC. SS. I

MATEMÁTICAS APLICADAS A LAS CC. SS. I DISTRIBUCIÓN NORMAL Carl Friedrich Gauss (1777-1855), físico y matemático alemán, uno de los pioneros en el estudio de las propiedades y utilidad de la curva normal. MATEMÁTICAS APLICADAS A LAS CC. SS.

Más detalles

5. TEOREMA FUNDAMENTAL: Formulación y Demostración. Jorge Eduardo Ortiz Triviño

5. TEOREMA FUNDAMENTAL: Formulación y Demostración. Jorge Eduardo Ortiz Triviño 5. TEOREMA FUNDAMENTAL: Formulación y Demostración Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ 1 CONTENIDO 1. INTRODUCCIÓN 2. VARIABLES ALEATORIAS 3. TEOREMA

Más detalles

Simulación. La mayoría de los procesos de simulación tiene la misma estructura básica:

Simulación. La mayoría de los procesos de simulación tiene la misma estructura básica: Simulación La mayoría de los procesos de simulación tiene la misma estructura básica: 1 Indentificar una variable de interés y escribir un programa para simular dichos valores Generar una muestra independiente

Más detalles

LECTURA 03: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT. MANEJO DE TABLAS ESTADISTICAS.

LECTURA 03: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT. MANEJO DE TABLAS ESTADISTICAS. LECTURA 3: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT MANEJO DE TABLAS ESTADISTICAS 1 INTRODUCCION Se dice que una variable aleatoria T tiene una distribución t de

Más detalles

ACTIVIDAD 2: La distribución Normal

ACTIVIDAD 2: La distribución Normal Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la

Más detalles

1. La Distribución Normal

1. La Distribución Normal 1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando

Más detalles

INSTITUCIÓN EDUCATIVA LICEO DEPARTAMENTAL ÁREA DE TECNOLOGÍA E INFORMÁTICA

INSTITUCIÓN EDUCATIVA LICEO DEPARTAMENTAL ÁREA DE TECNOLOGÍA E INFORMÁTICA INSTITUCIÓN EDUCATIVA LICEO DEPARTAMENTAL ÁREA DE TECNOLOGÍA E INFORMÁTICA GUÍA DE INFORMÁTICA (Operaciones matemáticas) Profesor: Germán Rodríguez López Año lectivo 2006-2007 1 OPERACIONES MATEMÁTICAS

Más detalles

13. ESTADÍSTICA. Paso a paso

13. ESTADÍSTICA. Paso a paso Paso a paso Modificar el ancho de una columna Se coloca el ratón en la cabecera de las columnas, entre la columna cuyo ancho se desea modificar y la siguiente, y cuando el cursor se transforma en, se arrastra.

Más detalles

Distribuciones de probabilidad II

Distribuciones de probabilidad II II Facultad de Estudios Superiores Acatlán Licenciatura en Economía 20 de abril 2017 José A. Huitrón Mendoza Distribuciones de probabilidad de Poisson Enmarca el estudio de una variable aleatoria discreta

Más detalles

Práctica de variables aleatorias (modelos)

Práctica de variables aleatorias (modelos) Grados en Ingeniería en Tecnologías Industriales, Ingeniería Eléctrica, Ingeniería en Electrónica Industrial y Automática e Ingeniería Mecánica Práctica de variables aleatorias (modelos) 1. OBJETIVOS En

Más detalles

Hoja 4 Variables aleatorias multidimensionales

Hoja 4 Variables aleatorias multidimensionales Hoja 4 Variables aleatorias multidimensionales 1.- Estudiar si F (x, y) = 1, si x + 2y 1, 0, si x + 2y < 1, es una función de distribución en IR 2. 2.- Dada la variable aleatoria 2-dimensional (X, Y )

Más detalles

Tema 6. Variables aleatorias continuas

Tema 6. Variables aleatorias continuas Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),

Más detalles

Optimización de Problemas no lineales.

Optimización de Problemas no lineales. Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN34A: Clase Auxiliar Optimización de Problemas no lineales. Marcel Goic F. Esta es una versión bastante

Más detalles

Transformación bidimensional afín (transformación de 6 parámetros)

Transformación bidimensional afín (transformación de 6 parámetros) www.topoedu.es Los mejores recursos especializados en topografía y geodesia, nunca vistos hasta ahora. Hojas técnicas de cálculo: Transformación bidimensional afín (transformación de 6 parámetros) Usando

Más detalles

Tema 13: Distribuciones de probabilidad. Estadística

Tema 13: Distribuciones de probabilidad. Estadística Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número

Más detalles

MANUAL DE USO PROGRAMA SENSIBAR

MANUAL DE USO PROGRAMA SENSIBAR MANUAL DE USO PROGRAMA SENSIBAR ANALSIS DE SENSIBILIDAD Y SIMULACION DE MONTECARLO JOSE FUENTES VALDES FACEA - UNIVERSIDAD DE CONCEPCION Facultad de Economía Universidad de Concepción 1 SensiBar. ANALSIS

Más detalles

Tema 12: Distribuciones de probabilidad

Tema 12: Distribuciones de probabilidad Tema 12: Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E, de un experimento aleatorio, un número real: X:

Más detalles

Ejercicio 1. Ejercicio 2

Ejercicio 1. Ejercicio 2 Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función

Más detalles

LECTURA 03: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT. MANEJO DE TABLAS ESTADISTICAS.

LECTURA 03: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT. MANEJO DE TABLAS ESTADISTICAS. LECTURA 3: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT MANEJO DE TABLAS ESTADISTICAS 1 INTRODUCCION Se dice que una variable aleatoria T tiene una distribución t de

Más detalles

(versión LibreOffice Calc)

(versión LibreOffice Calc) Distribución uniforme En otro tema posterior de este curso podrás estudiar la distribución uniforme. Por ahora te basta con la idea de que representa experimentos aleatorios en los que todos los elementos

Más detalles

ÍNDICE 1.- CUESTIONES GENERALES SOBRE SIMULACIÓN:

ÍNDICE 1.- CUESTIONES GENERALES SOBRE SIMULACIÓN: ÍNDICE 1.- CUESTIONES GENERALES SOBRE SIMULACIÓN: * Introducción * Sistemas y modelos * Simulación de modelos de sucesos discretos * Componentes y organización de un estudio de simulación * Ejemplo de

Más detalles

Tema 6: Modelos probabilísticos

Tema 6: Modelos probabilísticos Tema 6: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable

Más detalles

Objetivo. Qué vamos a usar en el curso?

Objetivo. Qué vamos a usar en el curso? Ignacio Vélez Pareja Profesor Universidad Tecnológica de Bolívar Cartagena, julio de 2007 Objetivo El propósito de esta presentación es mostrar algunos usos de Excel que pueden ser útiles para un profesional

Más detalles

Curso de Procesamiento Digital de Imágenes

Curso de Procesamiento Digital de Imágenes Curso de Procesamiento Digital de Imágenes Impartido por: Elena Martínez Departamento de Ciencias de la Computación IIMAS, UNAM, cubículo 408 http://turing.iimas.unam.mx/~elena/teaching/pdi-mast.html elena.martinez@iimas.unam.mx

Más detalles

Conceptos de Probabilidad y estadística. Jhon Jairo Padilla A., PhD

Conceptos de Probabilidad y estadística. Jhon Jairo Padilla A., PhD Conceptos de Probabilidad y estadística Jhon Jairo Padilla A., PhD Introducción La ingeniería de tráfico está soportada sobre conceptos de probabilidad y estadística como: Probabilidad Variable aleatoria

Más detalles

Generación de Variables Aleatorias

Generación 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 detalles

Laboratorio 2 Probabilidad y Estadística con MATLAB GENERACIÓN DE VARIABLES ALEATORIAS Y SIMULACIÓN

Laboratorio 2 Probabilidad y Estadística con MATLAB GENERACIÓN DE VARIABLES ALEATORIAS Y SIMULACIÓN Laboratorio 2 Probabilidad y Estadística con MATLAB GENERACIÓN DE VARIABLES ALEATORIAS Y SIMULACIÓN Introducción Muchos de los métodos de estadística computacional requieren la capacidad de generar variables

Más detalles

S = N λ = 5 5 = 1 hora.

S = N λ = 5 5 = 1 hora. Teoría de Colas / Investigación Operativa 1 PROBLEMAS DE INVESTIGACIÓN OPERATIVA. Hoja 5 1. Al supercomputador de un centro de cálculo llegan usuarios según un proceso de Poisson de tasa 5 usuarios cada

Más detalles

Software Desarrollado: la aplicación HAdDA

Software Desarrollado: la aplicación HAdDA Capítulo 3 Software Desarrollado: la aplicación HAdDA En este proyecto se ha desarrollado una herramienta de ayuda al diagnóstico y al análisis de las BOC de pacientes de EM. Al estar diseñado para su

Más detalles

Transformación bidimensional conforme (4 parámetros)

Transformación bidimensional conforme (4 parámetros) www.topoedu.es Los mejores recursos especializados en topografía y geodesia, nunca vistos hasta ahora. Hojas técnicas de cálculo: Transformación bidimensional conforme (4 parámetros) Usando la precisión

Más detalles

PRUEBA DE BONDAD DE AJUSTE O PRUEBA CHI - CUADRADO

PRUEBA 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 detalles

METODO SIMPLEX. Paso 1 Se convierte el modelo matemático de Programación Lineal (PL) a su forma estándar.

METODO SIMPLEX. Paso 1 Se convierte el modelo matemático de Programación Lineal (PL) a su forma estándar. METODO SIMPLEX El algoritmo Simplex comprende los siguientes pasos: Paso 1 Se convierte el modelo matemático de Programación Lineal (PL) a su forma estándar. Al elaborar el modelo matemático que representa

Más detalles

Simulación de Eventos Discretos: Arena. Mag. Luis Miguel Sierra

Simulación de Eventos Discretos: Arena. Mag. Luis Miguel Sierra Simulación de Eventos Discretos: Arena Mag. Luis Miguel Sierra Contenido Simulación de Eventos Discretos Caso Ejemplo de Aplicación Análisis de Resultados Ampliación del Caso Mag. Miguel Sierra 2 Un enfoque

Más detalles

Procesos estocásticos Sesión 10. Teoría de colas

Procesos estocásticos Sesión 10. Teoría de colas Procesos estocásticos Sesión 10. Teoría de colas Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos 1. Elementos de un modelo de

Más detalles

Distribuciones de probabilidad

Distribuciones de probabilidad Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E un número real: X: E Ejemplo: Consideremos el experimento

Más detalles

CAPITULO VI Evaluación del modelo e implementación en la empresa. Sport B

CAPITULO VI Evaluación del modelo e implementación en la empresa. Sport B CAPITULO VI Evaluación del modelo e implementación en la empresa Sport B De un análisis de la demanda histórica de pantalones hechos con la tela denim, el gerente de ventas facilitó el siguiente cuadro

Más detalles

EvAU 2018 Propuesta A

EvAU 2018 Propuesta A } EvAU 018 Propuesta A Castilla-La Mancha } Ejercicio 1. a) Enuncia el teorema de Bolzano y justifica razonadamente que la gráfica de la función fx) = x 15 + x + 1 corta al eje OX al menos una vez en el

Más detalles

UNIVERSIDAD DE MANAGUA Al más alto nivel

UNIVERSIDAD DE MANAGUA Al más alto nivel UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Guía práctica #2 Réplicas de muestras de distribuciones de probabilidad de Variables Aleatorias Discretas (VAD) y Continuas (VAC) con Stat::Fit

Más detalles

Explicación de la tarea 8 Felipe Guerra

Explicación de la tarea 8 Felipe Guerra Pruebas de bondad de ajuste de χ 2 Explicación de la tarea 8 Felipe Guerra Las pruebas de bondad de ajuste corresponden a una comparación entre la distribución de una muestra aleatoria y una distribución

Más detalles

5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias. Jorge Eduardo Ortiz Triviño

5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias. Jorge Eduardo Ortiz Triviño 5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ CONTENIDO 1. INTRODUCCIÓN 2. VARIABLES ALEATORIAS 3. TEOREMA

Más detalles

10/04/2015. Ángel Serrano Sánchez de León

10/04/2015. Ángel Serrano Sánchez de León 0/04/05 Ángel Serrano Sánchez de León 0/04/05 Índice Distribuciones discretas de probabilidad Discreta uniforme Binomial De Poisson Distribuciones continuas de probabilidad Continua uniforme Normal o gaussiana

Más detalles

Distribuciones de Probabilidad.

Distribuciones de Probabilidad. Práctica núm. 3 1 Distribuciones de Probabilidad. 3.1. Distribuciones de Probabilidad en Statgraphics El estudio de las distribuciones de probabilidad en Statgraphics se puede realizar en el menú Descripción/Distribuciones/Distribuciones

Más detalles

5ª SESIÓN: Medidas básicas con variable en intervalos

5ª SESIÓN: Medidas básicas con variable en intervalos Curso 2006-2007 5ª Sesión: Medidas básicas con variable en intervalos 5ª SESIÓN: Medidas básicas con variable en intervalos 1. Abrir el programa Excel. 2. Abrir el libro utilizado en las prácticas anteriores.

Más detalles

Generación de variables aleatorias continuas Método de rechazo

Generación 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 detalles

PROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA

PROBABILIDAD 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 detalles

4. Diseño funcional de la aplicación.

4. Diseño funcional de la aplicación. 4. Diseño funcional de la aplicación. En este apartado se va a realizar una descripción de cómo se ha abordado la resolución del problema de gestión de recursos, desde el punto de vista de la programación.

Más detalles

4. NÚMEROS PSEUDOALEATORIOS.

4. NÚMEROS PSEUDOALEATORIOS. 4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar

Más detalles