( 3.c) INTRODUCCIÓN A LOS MODELOS NO EXPONENCIALES Y REDES DE COLAS
|
|
- Veronica Parra Méndez
- hace 7 años
- Vistas:
Transcripción
1 (.c) INTRODUCCIÓN A LOS MODELOS NO EXONENCIALES Y REDES DE COLAS INTRODUCCIÓN A LAS REDES DE COLAS. Cocepto de red abierta y cerrada. Redes abiertas y Teorema de Jackso. MODELOS NO EXONENCIALES Cola M/G/: Fórmula de ollaczeck-khitchie. Cola G/M/: casos Ek/M/, Hip/M/, Hyp/M/. Uso de QTS_EXCEL. AROXIMACIONES ARA COLAS GI/G/s. Aproximació de Alle-Cuee. Aproximacioes para colas cogestioadas (Heavy Traffic) UC
2 - - ( ) ( ) ( ) ( ) M M M M emergete Tasa icidete Tasa Estado Hay tatas ecuacioes como valores pueda presetar N(t), por tato, si e el S.E. sólo puede haber como máximo K clietes, habrá K ecuacioes.
3 UC UC ; C C K K K,, K K K,, C C C < C Las probabilidades de estado estacioario queda defiidas si: E caso de que el S.E. pueda coteer sólo K clietes como máximo, el sumatorio se extiede de a K y siempre será fiito.
4 EJEMLO DE LA EVOLUCIÓN DE UNA COLA M/M/ COMORTAMIENTO: uede presetarse dos situacioes:. E promedio la afluecia de clietes al S.E. sobrepasa la capacidad de trabajo del Sistema de Servicio: N(t) N(t) RESENTA UNA TENDENCIA CRECIENTE t. El Sistema de Servicio tiee suficiete capacidad de trabajo frete a la afluecia de clietes: N(t) < N(t) puede crecer e ocasioes, pero el S.E. siempre retora al estado (vacío) t UC
5 Tiempos etre llegadas τ i.i.d. de ley exp. co parámetro. s > servidores iguales. Tiempo de servicio x i.i.d. segú ua ley exp. de parámetro. K K K,,,,,,,, s s s s MODELO M/M/s s- s s s s s
6 El modelo M/M/s/K Sistema de espera co limitació de capacidad que presupoe:. Tiempos etre llegadas τ i.i.d. exp. de parámetro.. Tiempos de servicio x i.i.d. exp. de parámetro.. U cojuto de servidores e paralelo s >. 4. El úmero de clietes al sistema de espera es K. El úmero máximo de clietes N(t) presetes e el S.E. debe ser K Si el S.E. está lleo al llegar u cliete éste se pierde: s s- s s s s Siempre alcazará régime estacioario. K U C
7 MODELO M/M/s/./N S.E. co població fiita (N) que presupoe: Tiempo de permaecia e la població de los clietes i.i.d segú ley exp. de parámetro Tiempos de servicio por servidor i.i.d. segú ley exp. de parámetro. U cojuto de servidores e paralelo s >. Ua població fiita de clietes limitado al valor N. ara simplificar se supoe N > s. Es u S.E. cerrado: Hay siempre N clietes (poblaciós.e.) Tras salir del S.E. el cliete se reitegra e la oblació oblació Sistema de Espera
8 REDES DE COLAS EXONENCIALES Sistemas de colas expoeciales formado ua red de motaje de ordeadores o coches, por ejemplo. odemos cosiderar dos tipos de redes de S.E.: a) ABIERTAS. recibe etradas de clietes procedetes de ua o varias poblacioes exteras y que tiee salidas hacia el exterior;. b) CERRADAS. No recibe etradas de poblacioes exteras i tiee salidas al exterior. Número costate de clietes circulado detro de la red. Ejemplo. Red abierta de S.E. obl. Exter. Ejemplo. Ssitema M/M/s/./N: obl. U C
9 Redes abiertas. Teorema de Jackso Codicioes bajo las que las redes abiertas de S.E. preseta propiedades para efectuar u aálisis por descomposició.. El S.E. (odo) i tiee u úmero de servidores s i de características idéticas etre sí. Los tiempos de servicio de cada servidor tiee distribució expoecial de probabilidades co capacidad idividual de servicio i.. La capacidad de la cola e cada S.E. es ilimitada.. Los clietes que ha estado servidos e el odo i se reparte etre los odos j E(i), emergetes del i y, co probabilidades p ij > costates a lo largo de toda la evolució del sistema. 4. el tiempo asociado al arco (i,j) es cero. Si todas las llegadas exteras está distribuidas poissoiaamete y se verifica las codicioes ateriores etoces se llama redes de Jackso y sobre ellas puede aplicarse el resultado del teorema de Jackso (957). U C
10 U C Teorema de Jackso. Sea ua red abierta de S.E. verificado las codicioes para la descomposició ateriores, co solucioes del sistema: N j p r N i ij i j j,, K tales que i i i s < para todo S.E. i,,n. Etoces cada S.E. se comporta como ua cola M/M/s i co etradas de clietes co tasa i y que presetará e estado estacioario ua distribució de probabilidades propia de las colas M/M/s e idepediete de la de los otros sistemas detro de la red. N NN N N N N N p p p p p p r r M L M O M M L M M
11 U C 45 / / / 5 5 / / / / / / 5 obl. obl. Exter. / / / / r r 5 Se dispoe de servidores co tasa idividual de servicio. Determiar e cada odo el úmero míimo de servidores de forma que la red de S.E. presete estado estacioario. Calcular las demoras medias e todos los S.E. de la red.
12 U C Las etradas e los S.E., y so respectivamete:,, 45. or tato:. ara el odo, si s, / / <.. ara el odo, si s, / / <.. ara el odo, hay que dotarlo de s 4 servidores: /(s ) 45/(4) <. Los odos y co u solo servidor so colas de tipos M/M/ co las mismas tasas de etrada: - -/ /6; El odo se comporta como ua cola M/M/4; Si θ / 45/ etoces: / 5, L W W L L , ) (!,!! i i θ θ θ θ ( ) 88 57,,.! q q s q L s L W
13 MODELOS DE COLAS NO EXONENCIALES Los modelos de colas que se ha visto hasta el mometo estaba basados e los procesos de acimieto y muerte. Supoía tiempo etre llegadas y tiempo de servicio de tipo expoecial. Las hipótesis puede resultar iapropiadas para modelizar determiadas situacioes:. Las llegadas programadas a la cosulta de u médico.. Las colas que se forma cíclicamete e los semáforos de las ciudades.. E el caso del servicio, si el tiempo que requiere cada cliete es más o meos costate, por ejemplo e ua cadea de motaje U C
14 El modelo M/G/ Los S.E. que respode a modelos M/G/ so aquellos que:. Las llegadas tiee ua tasa costate igual a. Los tiempos etre llegadas al sistema so i.i.d. expoecialmete.. Los tiempos de servicio tiee ua distribució de probabilidad comú cualquiera y so mútuamete idepedietes, de esperaza matemática / y variaza σ.. El sistema de espera dispoe de u úico servidor: s. ara coseguir u estado estacioario es suficiete que el factor de carga del sistema / <. U C
15 La fórmula de ollaczek-khitchie determia la esperaza matemática de la logitud de cola e régime estacioario: L q. L q σ ( ) ( ) σ ( ) L q A partir de las fórmulas de Little se obtiee el resto de magitudes, L, W, W q. La fórmula refleja la ifluecia de la dispersió de los tiempos de servicio (variaza σ ) e el comportamieto del S.E.: A mayor σ mayor será la logitud media de cola L q a igualdad de y. U C
16 Caso particular M/M/, teemos σ y la fórmula de ollaczek-khitchie se covierte e, L q σ ( ) ( ) ( ) ( ) coicidiedo co el resultado ecotrado ateriormete. Caso particular M/E k /: la distribució de los tiempos de servicio es Erlag de parámetros k y /E[x], su variaza es /k, al aplicar la fórmula de ollaczek-khitchie: L q σ k ( ) ( ) k ( ) k U C
17 E el caso M/D/, la distribució de los tiempos de servicio es costate, de media uidades de tiempo ( servicios por uidad de tiempo) y variaza σ, la fórmula de ollaczek- Khitchie determia la expresió de la logitud media de la cola como, L q σ ( ) ( ). L q L q L q D E k M U C
18 QTS_EXCEL: CASOS M/Ek/, M/D/ M/E(k)/ system-size probabilities probability,,,8,6,4,, size M/D/ system-size probabilities probability,5,,5,,5,,5, size
19 COLA G/M/
20 COLA G/M/ UC
21 UC
22 E(k)/M/ system-size probabilities CDF for E(k)/M/ lie waitig times CDF for E(k)/M/ system waitig times probability,,5,,5,,5, size cdf,,8,6,4,,,,,, time cdf,,8,6,4,,,,,, time
23 AROXIMACIÓN DE LA COLA GI/G/s Exacta para M/M/s, M/G/ UC
24 AROXIMACIÓN DE LA COLA GI/G/s UC
25 Tiempo etre averías de u motor: τ' (τ' 4),88 Tiempo etre icidecias (revisió o avería) de u motor: τ 4 τ τ τ τ k- τ k t Simulació de períodos: (τ' 4),88 88% de las icidecias: revisioes
26 Se procede a u aálisis aproximado para cada año mediate u modelo de colas tipo G/M/. Se adopta ua distribució de los tiempos etre llegadas τ para cada año del tipo: oblació Sistema de Espera Exterior
27 Opció: o reovar taller E[x],5 semaas Distribució del tiempo de permaecia e el taller W,4 σ w,5 Ocupació media UC
28 ráctica 4: QTS_EXCEL: Aproximació de Alle-Cuee
Sistemas de colas: clase 1. Amedeo R. Odoni 10 de octubre de 2001
Sistemas de colas: clase Amedeo R. Odoi de octubre de 2 Temas de teoría de colas 9. Itroducció a las colas: ley de Little; M/M/. olas de acimieto y muerte de Markov. ola M/G/ y extesioes 2. olas de prioridad:
Más detallesConvergencia de variables aleatorias
Capítulo Covergecia de variables aleatorias El objetivo del presete capítulo es estudiar alguos tipos de covergecia de variables aleatorias. Iiciaremos co la defiició de los distitos modos de covergecia...
Más detallesINFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS
INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS Població E el cotexto de la estadística, ua població es el cojuto de todos los valores que puede tomar ua característica medible e particular, de u cojuto correspodiete
Más detallesINTRODUCCIÓ ALS MODELS NO EXPONENCIALS I XARXES DE CUES
INTRODUCCIÓ ALS MODELS NO EXPONENCIALS I XARXES DE CUES INTRODUCCIÓ A LES XARXES DE CUES. Concepte de xarxa oberta i tancada. Xarxes obertes i Teorema de Jackson. MODELS NO EXPONENCIALS Cua M/G/: Fòrmula
Más detalleses un proceso de conteo si representa el número de eventos ocurridos hasta el tiempo t.
PROCESOS ROBABILIDADES ESTOCÁSTICOS (ITEL-3005) (80807) Tema 4. Los Procesos Tema. de Fudametos Poisso y otros de Estadística procesos asociados Descriptiva Semaa Distribució 5 Clase 07 de frecuecias Lues
Más detallesCapítulo 3. El modelo de regresión múltiple. Jorge Feregrino Feregrino. Econometría Aplicada Utilizando R
Capítulo 3. El modelo de regresió múltiple. Jorge Feregrio Feregrio Idetificació del modelo La idetificació del objeto de ivestigació permitirá realizar ua búsqueda exhaustiva de los datos para llevar
Más detalles1. Teorema del Límite Central. Como se dijo varias clases atras si tenemos n variables aleatorias, cada una de. X i = X. n = 1 n.
1. Teorema del Límite Cetral Teorema: ea Y 1, Y,..., Y variables aleatorias idepedietes idéticamete distribuidas co EY i = µ y V Y i =
Más detallesSe utilizan los datos puntuales de altura de precipitación o intensidades máximas de lluvia registradas en una estación
.. Tormetas putuales Aspectos geerales Se utiliza los datos putuales de altura de precipitació o itesidades máximas de lluvia registradas e ua estació So válidas para áreas cuya extesió este defiida por
Más detallesPRÁCTICA 6: TEOREMA CENTRAL DEL LÍMITE
PRÁCTICA 6: TEOREMA CENTRAL DEL LÍMITE Objetivos Comprobar que la suma de variables aleatorias idepedietes y co la misma distribució es aproximadamete ormal. Estudiar la robustez de la aproximació frete
Más detalles2 Algunos conceptos de convergencia de sucesiones de variables aleatorias
INTRODUCCIÓN A LA CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIAS Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció Se puede utilizar diferetes coceptos de covergecia para las sucesioes
Más detallesDesigualdad de Tchebyshev
Desigualdad de Tchebyshev Si la Esperaza y la variaza de la variable X so fiitas, para cualquier úmero positivo k, la probabilidad de que la variable aleatoria X esté e el itervalo La probabilidad de que
Más detallesAnálisis de resultados. Independencia de las muestras
Aálisis de resultados Clase ro. 8 Curso 00 Idepedecia de las muestras Los resultados de ua corrida de simulació, so muestras de algua distribució. Esos resultados los llamamos "respuestas". Las respuestas
Más detalles8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS
8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS Sea ua variable aleatoria de ley descoocida co 0,00. Si 0,, emplear la desigualdad de TCHEBYCHEFF para acotar iferiormete la probabilidad E( ) [
Más detallesDISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS ESPACIO MUESTRAL. El cojuto de todos los resultados posibles de u eperimeto estadístico deotado por S o Ω VARIABLE. Se deomia variable a la
Más detallesTeoría de colas. Andrés Ramos Universidad Pontificia Comillas http://www.iit.comillas.edu/aramos/ Andres.Ramos@comillas.edu TEORÍA DE COLAS 1
Teoría de colas Adrés Ramos Uiversidad Potificia Comillas http://www.iit.comillas.edu/aramos/ Adres.Ramos@comillas.edu TEORÍA DE COLAS 1 Ua cola se produce cuado la demada de u servicio por parte de los
Más detallesSolución del examen de Investigación Operativa de Sistemas de septiembre de 2005
Solució del exame de Ivestigació Operativa de Sistemas de septiembre de 5 Problema (,5 putos): E ua serie de lazamietos de u dado, se observa cuatos resultados diferetes ha aparecido hasta cada mometo.
Más detallesCód. Carrera: Área de Matemática Fecha: MODELO DE RESPUESTAS Objetivos 1 al 11.
rueba Itegral Lapso 03-7-76-77 /0 Uiversidad Nacioal Abierta Matemática I (Cód. 7-76-77) icerrectorado Académico Cód. Carrera: 6-36-80-08- -60-6-6-63 Fecha: 0 0-0 MODELO DE RESUESTAS Objetivos al. OBJ
Más detallesSUMA DE VARIABLES ALEATORIAS
SUMA DE VARIABLES ALEATORIAS do C. 018 Clase Nº 9 Mg. Stella Figueroa Teorema Cetral del Límite El teorema afirma que la distribució de la suma de u gra úmero de variables aleatorias tiee aproximadamete
Más detallesObjetivos. 1. Inferencia Estadística. INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo. M. Iniesta Universidad de Murcia
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo Objetivos Tratar co muestras aleatorias y su distribució muestral e ejemplos de tamaño reducido. Tratar co la distribució de la
Más detalles1 x 1 0,1666. sabiendo que 506, 508, 499, 503, 504, 510, 497, 512, 514, 505, 493, 496, 506, 502, 509, 496.
GRADO GESTIÓN AERONÁUTICA: EXAMEN ESTADÍSTICA TEÓRICA 9 de Eero de 015. E-7. Aula 104 1.- La fució de desidad de ua variable aleatoria es: a b 0 f() 0 e el resto sabiedo que 1 P 1 0,1666. Determiar a y
Más detallesCAPÍTULO I. Conceptos Básicos de Estadística
CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia
Más detallesIntroduccion. TEMA 6: MODELOS DE FILAS DE ESPERA (Waiting Line Models) (Capítulo 12 del libro) Modelos de Decisiones
Modelos de Decisioes TEMA 6: MODELOS DE FILAS DE ESPERA (Waitig Lie Models) (Capítulo 2 del libro) Itroduccio.. Estructura de u Sistema de Filas de Espera 2. Modelo Sigle-Chael co tasa de llegadas tipo
Más detallesEstimación de Parámetros
Igacio Cascos Ferádez Departameto de Estadística Uiversidad Carlos III de Madrid Estimació de Parámetros Estadística I curso 008 009 Veremos cómo costruir valores aproximados de los parámetros de los modelos
Más detallesTEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Introducción a la Inferencia Estadística Método de los momentos
TEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Itroducció a la Iferecia Estadística. Método Estadístico. Defiicioes previas. 5.2. Estimació putual 5.3. Métodos de obteció de estimadores: 5.3.1. Método de los
Más detallesUNIDAD 4 MODELOS PROBABILÍSTICOS
Uiversidad Nacioal del Litoral Facultad de Igeiería y Ciecias Hídricas ESTADÍSTICA Igeiería Iformática TEORÍA Mg.Ig. Susaa Valesberg Profesor Titular UNIDAD 4 MODELOS PROBABILÍSTICOS Estadística - Igeiería
Más detalles1.-SUAVIZADORES DE RANGO DE ORDEN INTRODUCCIÓN
1.-SUAVIZADORES DE RANGO DE ORDEN 1.1.- INTRODUCCIÓN Cosiderado que el "filtro mediaa" es o-lieal, el térmio "filtro, que ha sido implícitamete asociado co el cocepto de liealidad, es iapropiado. Quedaría
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO Objetivos geerales del tema E este tema se itroducirá el cocepto de estadístico como medio para extraer iformació acerca de la ley de
Más detallesIntroducciónalaInferencia Estadística
Capítulo 6 ItroduccióalaIferecia Estadística 6.1. Itroducció El pricipal objetivo de la Estadística es iferir o estimar características de ua població que o es completamete observable (o o iteresa observarla
Más detallesDistribuciones en el muestreo, EMV
Distribucioes e el muestreo, E Tema 6 Descripció breve del tema. Itroducció y coceptos básicos. Propiedades de los estimadores Sesgo, Variaza, Error Cuadrático Medio y Cosistecia 3. Distribució de u estimador
Más detallesIntervalos de Confianza basados en una muestra. Instituto de Cálculo
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky Hay dos razoes por las cuales el itervalo (6.63,.37) tiee mayor logitud que el obteido ateriormete (7.69, 0.3). la variaza
Más detallesTema 14: Inferencia estadística
Tema 14: Iferecia estadística La iferecia estadística es el proceso de sacar coclusioes de la població basados e la iformació de ua muestra de esa població. 1. Estimació de parámetros Cuado descoocemos
Más detallesSemana 10 [1/24] Sucesiones (II) 2 de mayo de Sucesiones (II)
Semaa 0 [/24] 2 de mayo de 2007 Sadwich de sucesioes Semaa 0 [2/24] Límites y Orde. Teorema Sea u ) y w ) sucesioes covergetes a u y w, respectivamete. Si 0 tal que para 0 se cumple que etoces u w. u w
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 1999-.000 - CONVOCATORIA: SEPTIEMBRE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de
Más detalles) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1
ESTIMACIÓN PUNTUAL. ESTIMACIÓN POR INTERVALOS DE CONFIANZA. 1. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA El objetivo básico de la iferecia estadística es hacer iferecias o sacar coclusioes sobre la població
Más detallesTEMA 5: Gráficos de Control por Atributos. 1. Gráfico de control para la fracción de unidades defectuosas
TEMA 5: Gráficos de Cotrol por Atributos 1 Gráfico de cotrol para la fracció de uidades defectuosas 2 Gráfico de cotrol para el úmero medio de discoformidades por uidad Selecció del tamaño muestral 3 Clasificació
Más detallesEJERCICIO 1. , a partir de las frecuencias observadas, nij. , que se dan en la tabla del ejercicio.
EJERCICIO () Es u problema de idepedecia de criterios y se tedrá que costruir la tabla de cotigecia de frecuecias teóricas (esperadas), t ij, a partir de las frecuecias o observadas, ij, que se da e la
Más detallesMg. Ing. Susana Vanlesberg Profesor Titular
Uiversidad Nacioal del Litoral Facultad de Igeiería y Ciecias Hídricas ESTADÍSTICA Igeierías: Recursos Hídricos-Ambietal-Agrimesura- Iformática Mg. Ig. Susaa Valesberg Profesor Titular MODELOS PARA VARIABLES
Más detalles4 - DESIGUALDAD DE CHEBYSHEV- LEY DE LOS GRANDES NUMEROS
arte Desigualdad de Chebyshev rof. María B. itarelli 4 - DESIGULDD DE CHEBYSHE- LEY DE LOS GRNDES NUMEROS La desigualdad de Chebyshev es ua importate herramieta teórica. Etre otras aplicacioes costituirá
Más detallesEstimadores Puntuales: Propiedades de estimadores Sebastián Court
Estadística Estimadores Putuales: Propiedades de estimadores Sebastiá Court 1.Motivació Cosideremos ua variable aleatoria X co ciertas características, como por ejemplo, u parámetro θ, y ua muestra aleatoria
Más detallesTécnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20
Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra
Más detallesPrueba Integral Lapso / Área de Matemática Fecha: MODELO DE RESPUESTA (Objetivos del 01 al 11)
Prueba Itegral Lapso 016-1 175-176-177 1/7 Uiversidad Nacioal Abierta Matemática I (Cód 175-176-177) Vicerrectorado Académico Cód Carrera: 16 36 80 508 51 54 610 611 61 613 Fecha: 19 11 016 MODELO DE RESPUESTA
Más detallesLAS SUCESIONES Y SU TENDENCIA AL INFINITO
LAS SUCESIONES Y SU TENDENCIA AL INFINITO Sugerecias al Profesor: Resaltar que las sucesioes geométricas ifiitas so objetos matemáticos que permite modelar alguos procesos ifiitos, y que a la vez su costrucció
Más detallesy i 0 1 x i 2 2 y i media 2 Varianza 2 i 1 Para calcular el los valores que maximizan L derivamos e igualamos a cero 2 y i 0 1 x i 0 # i 1
Demostracioes de Regresió Simple. Estimació La distribució de y es y i N 0 x i, Estimació Máximo Verosímil La fució de verosimilitud, sabiedo que y i es ua variable ormal será L exp y i 0 x i ya que la
Más detallesExplicación de la tarea 10 Felipe Guerra. Para la explicación de esta tarea veamos primeramente que es lo que nos están pidiendo.
Explicació de la tarea 0 Felipe Guerra Para la explicació de esta tarea veamos primeramete que es lo que os está pidiedo. Ya hemos visto a lo largo del curso que la variaza es el error cuadrado medio de
Más detallesPolinomio Mínimo en Campos Cuadráticos
Poliomio Míimo e Campos cuadráticos Poliomio Míimo e Campos Cuadráticos 1. Método de solució Partiedo de que u cuerpo cuadrático es K = Q ( a + b), vamos a propoer u método o estructura para ecotrar el
Más detallesTEMA 4- MODELOS CONTINUOS
TEMA 4- MODELOS CONTINUOS 4.1. Itroducció. 4.2. Distribució uiforme cotiua de parámetros a y b. X Ua, b 4.3. Distribució Gamma de parámetros y. X, Casos particulares: 4.3.1.Distribució Expoecial. X Exp
Más detallesHacia dónde tienden los datos? Se agrupan en torno a un valor? o, se dispersan? Su distribución se parece a alguna distribución teórica?
COMPORTAMIENTO DE LAS DISTRIBUCIONES DE FRECUENCIA: Preparadas las TABLAS DE FRECUENCIA de los valores de ua variable resulta iteresate describir su comportamieto. Hacia dóde tiede los datos? Se agrupa
Más detallesFIGURAS Y TABLAS (Teoría)
FIGURAS Y TABLAS (Teoría) Tema.- Itroducció a la Simulació de Evetos Discretos TEMA.- INTRODUCCIÓN A LA SIMULACIÓN DE EVENTOS DISCRETOS SISTEMA ENTIDADES ATRIBUTOS ACTIVIDADES RECURSO EVENTOS VARIABLES
Más detallesSobrantes de 2004 (Septiembre Modelo 3) Soluciones Germán-Jesús Rubio Luna OPCIÓN A
OPCIÓN A EJERCICIO 1_A (3 putos) Ua pastelería elabora dos tipos de trufas, dulces y amargas Cada trufa dulce lleva 20 g de cacao, 20 g de ata y 30 g de azúcar y se vede a 1 euro la uidad Cada trufa amarga
Más detallesCAPITULO 4 COMPARACIÓN DE REACTORES IDEALES Y REACTORES MÚLTIPLES
omparació de Reactores Ideales y Reactores Múltiples PITULO 4 OMPRIÓN DE RETORES IDELES Y RETORES MÚLTIPLES 4. INTRODUIÓN E este capítulo se comparará los reactores T y. Se diseñará baterías de reactores
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2014 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 014 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Juio, Ejercicio 4, Opció A Reserva 1, Ejercicio 4, Opció A Reserva 1, Ejercicio 4,
Más detallesResumen Tema 2: Muestreo aleatorio simple. Muestreo con probabilidades desiguales.
Resume Tema 2: Muestreo aleatorio simple. Muestreo co probabilidades desiguales. M.A.S.: Muestreo aleatorio simple co probabilidades iguales si reemplazo. Hipótesis: Marco perfecto, si omisioes i duplicados
Más detalles2.2. Una versión elemental de la ley fuerte de los números grandes
34 CAÍTULO 2. LEY DE LOS NÚMEROS GRANDES Demostració. or el Teorema 2.0, vemos que basta probar que ( ) 2 2E (X,k E(X,k )) = 0. La esperaza e esta expresió se puede escribir como V ar(x,k ) + or la hipótesis
Más detalles(3.b) MODELOS EXPONENCIALES de COLAS
(.b) MODEOS EXOEIAES de OAS ITRODUIÓ A OS ROESOS DE AIMIETO Y MUERTE. Ecuacioe de euilibrio. odició de E.E. AIAIÓ DE AS EUAIOES DE EQUIIBRIO: a cola M/M/. Ilutració del comportamieto. MODEOS DE OAS EXOEIAES.
Más detallesDistribución Multinomial
Uiversidad de Chile. Rodrigo Assar Facultad de Ciecias Físicas y Matemáticas M A34B 3 Adrés Iturriaga Departameto de Igeiería Matemática. Víctor Riquelme Distribució Multiomial Resume E el presete artículo
Más detallesDeterminación del tamaño de una muestra (para dos o más muestras)
STATGRAPHICS Rev. 457 Determiació del tamaño de ua muestra (para dos o más muestras) Este procedimieto determia el tamaño de muestra apropiado para estimar o realiar pruebas de hipótesis respecto a alguo
Más detallesEvolución del concepto de Átomo (Resumen)
Evolució del cocepto de Átomo (Resume) Tomposo Propuso u p[átomo co cargad positive distribuida e ua esfera de 0-8 cm de diámetro co pequeñas partículas co carga egativa distribuidas e capas. La teoría
Más detallesCurso: 3 E.M. ALGEBRA 8
Colegio SSCC Cocepció - Depto. de Matemáticas Uidad de Apredizaje: POLINOMIOS Capacidades/Destreza/Habilidad: Racioamieto Matemático/ Aplicació / Calcular, Resolver Valores/ Actitudes: Respeto, Solidaridad,
Más detallesNúmero de personas que se forman en una fila en 1 hora Número de águilas que se obtienen al lanzar una moneda 5 veces.
Statistics Review Variable Aleatoria o Ua variable aleatoria es ua variable cuyo valor está sujeto a variacioes que depede de la aleatoriedad. o Debe tomar valores uméricos, que depede del resultado del
Más detallesT ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos:
T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Variable aleatoria: defiició y tipos: Ua variable aleatoria es ua fució que asiga u úmero real, y sólo uo, a cada uo de los resultados de u eperimeto aleatorio.
Más detalles162 ÁLGEBRA Y FUNDAMENTOS: UNA INTRODUCCIÓN. (i) Efectuando el producto, tenemos. (ii) De forma semejente, si z 2 6= 0, tenemos
162 ÁLGEBRA Y FUNDAMENTOS: UNA INTRODUCCIÓN (i) Efectuado el roducto, teemos z 1 z 2 = jz 1 jjz 2 j (cos ' 1 + i se ' 1 )(cos ' 2 + i se ' 2 ) = jz 1 jjz 2 j [(cos ' 1 cos ' 2 se ' 1 se ' 2 )+(se ' 1 cos
Más detallesDefinición Diremos que el cardinal de un conjunto A es n si se puede establecer una
Tema 2 Combiatoria 2.1 Pricipios básicos de recueto 2.1.1 Cardial de u cojuto Defiició 2.1.1. Diremos que el cardial de u cojuto A es si se puede establecer ua biyecció f : {1,..., } A. Se deota A. Se
Más detallesIdentificación de Sistemas
Departameto de Electróica Facultad de Ciecias Eactas Igeiería y Agrimesura Uiversidad Nacioal de osario Idetificació de Sistemas Coceptos Fudametales de robabilidad Variables Aleatorias y rocesos Aleatorios
Más detallesINVESTIGACIÓN DE OPERACIONES II. JULIO CÉSAR LONDOÑO ORTEGA
INVESTIGACIÓN DE OPERACIONES II JULIO CÉSAR LONDOÑO ORTEGA Email: julio.lodoo@correouivalle.edu.co jclodoor@gmail.com MODELOS DE FILAS DE ESPERA El Papel de la Distribució Expoecial Ua variable que sirva
Más detallesMuestreo sistemático
Capítulo 1 Muestreo sistemático El muestreo sistemático es u tipo de muestreo que es aplicable cuado los elemetos de la població sobre la que se realiza el muestreo está ordeados Este procedimieto de muestreo
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 2.001-2.002 - CONVOCATORIA: Juio MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella,
Más detallesConsideremos los siguientes experimentos aleatorios
69 Veremos e lo que sigue uevas variables aleatorias discretas. Estas variables y sus distribucioes se utiliza como modelos e muchas alicacioes estadísticas. Distribució Biomial Cosideremos los siguietes
Más detallesUniversidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA. Ingenierías RH-Amb-Ag TEORÍA
Uiversidad Nacioal del Litoral Facultad de Igeiería Ciecias Hídricas ESTADÍSTICA Igeierías RH-Amb-Ag TEORÍA Mg. Susaa Valesberg Profesor Titular INFERENCIA ESTADÍSTICA TEST DE HIPÓTESIS INTRODUCCIÓN Geeralmete
Más detalles1. Intervalos de Conanza
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.: Itervalos de coaza Objetivos Costruir itervalos de coaza para los parámetros más importates. Aplicar coveietemete los IC atediedo a cada situació
Más detallesPRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA
PRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA Pruebas de hipótesis es ua parte de la ESTADISTICA INFERENCIAL y tiee su aalogía co los pasos que se realiza e u JUICIO. Objetivo: Aquí o se busca Estimar
Más detallesMedidas de tendencia central
Medidas de tedecia cetral Por: Sadra Elvia Pérez Las medidas de tedecia cetral tiee este ombre porque so valores cetrales represetativos de los datos. Las medidas de tedecia cetral que se estudia e esta
Más detallesT o e r o ía í a d e d e C ol o a l s
Teoría de Cola Joé María Ferrer Caja Uiveridad Potificia Comilla Itroducció Cola: Cojuto de cliete e eera de recibir u ervicio Se roduce cuado lo cliete llega a u ervidor ocuado y ermaece e eera Teoría
Más detalles6. DISTRIBUCIONES MUESTRALES
6. DISTRIBUCIONES MUESTRALES Dr. Edgar Acua http://math.uprm.edu/~edgar UNIVERSIDAD DE UERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es saber
Más detallesRudimentos 5: Teorema del Binomio Profesor Ricardo Santander
Rudimetos 5: Teorema del Biomio Profesor Ricardo Satader Este capitulo esta destiado a presetar coteidos y actividades que permitirá al estudiate: Operar co simbología matemática, desarrollar expresioes
Más detallesR. Urbán Introducción a los métodos cuantitativos. Notas de clase Sucesiones y series.
R. Urbá Itroducció a los métodos cuatitativos. Notas de clase Sucesioes y series. SUCESIONES. Ua sucesió es u cojuto umerable de elemetos, dispuestos e u orde defiido y que guarda ua determiada ley de
Más detallesTema 3. Series de Fourier. Análisis de Espectros
Tema 3. Series de Fourier. Aálisis de Espectros Idice: Series de Fourier Serie Trigoométrica de Fourier Aálisis gráfico. Primeras compoetes de frecuecia Ejemplo Serie de Fourier e forma de Expoeciales
Más detalles[e j N 2 e j N 2 ]...} (22)
Trasformadores multiseccioales de cuarto de oda. La teoría de reflexioes pequeñas descrita e la secció aterior se puede usar para aalizar trasformadores multiseccioales de u cuarto de oda. Cosidere la
Más detallesEstadística y sus aplicaciones en Ciencias Sociales Práctico 4 - Solución Curso ) Como se trata de muestreo sin reposición, se tiene C 5 3
Estadística y sus aplicacioes e Ciecias Sociales Práctico 4 - Solució Curso 016 Ejercicio 1 5! 1) Como se trata de muestreo si reposició, se tiee C 5 3 3!! muestras de tamaño =3. ) Distribució muestral
Más detallesFunciones Exponencial y Logaritmo
. 9th May 2007 La fució expoecial Itroducció. Recuerdo Sabemos lo siguiete para la sucesió a = + h ) Si lim h 2, 0) etoces lim a = 0. 2 Si lim h / [ 2, 0] etoces lim a o existe. 3 Si lim h = 0 y lim h
Más detallesOtro ejemplo es la tasa de cambio del tamaño de una población (N), que puede expresarse como:
SOLUCIÓN DE ECUACIONES DIFERENCIALES Autor: Keith Gregso Traducció: José Alfredo Carrillo Salazar Muchos sistemas diámicos puede represetarse e térmios de ecuacioes difereciales. Por ejemplo, la tasa de
Más detalles12 I N F E R E N C I A E S T A D Í S T I C A II (CONTRASTE DE HIPÓTESIS)
12 I N F E R E N C I A E S T A D Í S T I C A II (CONTRASTE DE HIPÓTESIS) 1 Supogamos que ua variable aleatoria X sigue ua ley N(µ; =,9). A partir de ua muestra de tamaño = 1, se obtiee ua media muestral
Más detallesSeries de potencias Introducción. Temas Series de potencias. Intervalo y radio de convergencia de una serie de potencias.
Sesió 27 Series de potecias Temas Series de potecias. Itervalo y radio de covergecia de ua serie de potecias. Capacidades Coocer y compreder el cocepto de serie de potecias. Determiar el itervalo y el
Más detalles9.3. Contrastes de una proporción
9.3. CONTRASTES DE UNA PROPORCIÓN 219 y el criterio que sumiistra el cotraste es si a teo χ 2 exp b teo = o rechazamos H 0 ; si χ 2 exp < a teo ó χ 2 exp > b teo = rechazamos H 0 y aceptamos H 1. Cotrastes
Más detallesTrabajo Práctico Nro. 9 ECUACIONES DIFERENCIALES EN DERIVADAS PARCIALES Y SERIES DE FOURIER
F.I.U.B.A AÁLISIS AEÁICO III rabajo Práctico ro. 9 rabajo Práctico ro. 9 ECUACIOES DIFERECIALES E DERIVADAS PARCIALES Y SERIES DE FOURIER I.- Itroducció a las Ecuacioes Difereciales e Derivadas Parciales
Más detallesAnálisis del caso promedio El plan:
Aálisis del caso promedio El pla: Probabilidad Aálisis probabilista Árboles biarios de búsqueda costruidos aleatoriamete Tries, árboles digitales de búsqueda y Patricia Listas skip Árboles aleatorizados
Más detallesFORMULARIO TEORIA DE FILAS
FORMULARIO TEORIA DE FILAS Proceso geeral de acimieto y muerte. Tasas de etrada: λ 0,λ 1,..., λ 1 clietes or uidad de tiemo. Tasas de salida: µ 1,µ 2,..., µ clietes or uidad de tiemo. =1, 2,... Razó etrada/salida:
Más detallesDISTRIBUCIÓN DE LA MEDIA MUESTRAL. (a) Las muestras de tamaño n obtenidas en una población de media y desviación típica,
1 MAJ04 DISTRIBUCIÓN DE LA MEDIA MUESTRAL 1. E u servicio de ateció al cliete, el tiempo de espera hasta recibir ateció es ua variable ormal de media 10 miutos y desviació típica 2 miutos. Se toma muestras
Más detallesEspacio Vectorial Definición: Sea V un conjunto donde hemos definido una ley u operación interna, que
Sea V u cojuto dode hemos defiido ua ley u operació itera, que desigaremos por + V V. Sea K u cuerpo (comutativo) y sea, por último, ua operació extera que desigaremos por K V V. Diremos que (V,+, ) tiee
Más detallesSe utilizan tres enunciados para básicos para definir los procesos de Poisson. Sea t un t 0, entonces se tiene:
9 TEORÍA DE TRÁFIO La teoría de tráfico es ua herramieta ampliamete utilizada para el aálisis del comportamieto de las redes de comuicacioes, las cuales puede ser de comutació de circuitos, como las redes
Más detallesb) Encontrar: τ o σ ; π o σ ; σ y τ. 2. Usar la definición de determinante para encontrar: 4. Calcular los determinantes de las siguientes matrices:
EJERCICIOS PROPUESTOS. Tarea 3. Cosiderar las siguietes particioes de S 5 σ = 354 τ = 354 π = 453. a) Determiar el sigo de cada ua de las ateriores particioes. b) Ecotrar: τ o σ ; π o σ ; σ y τ.. Usar
Más detalles2 FUNDAMENTOS DE PROBABILIDAD
2 FUNDAMENTOS DE PROBABILIDAD T al vez el estudio de la probabilidad toma setido cuado se percibe y se acepta la existecia de la aleatoriedad e diversos aspectos de la vida diaria. Si embargo, si cosideramos
Más detallesANEXO B. Se define como Regresión al estudio de la fuerza, consistencia o grado de asociación de la
ANEXO B B.. Regresió Se defie como Regresió al estudio de la fuerza, cosistecia o grado de asociació de la correlació de variables idepedietes [6]. B... Regresió Lieal Simple El objeto de u aálisis de
Más detallesEjercicios de intervalos de confianza en las PAAU
Ejercicios de itervalos de cofiaza e las PAAU 2008 1 1.-El úmero de días de permaecia de los efermos e u hospital sigue ua ley Normal de media µ días y desviació típica 3 días. a)determiar u itervalo de
Más detalles1. Propiedades de los estimadores
. Propiedades de los estimadores.. Eficiecia relativa. Defiició: Dados dos estimadores isesgados, ˆ y ˆ, de u parámetro, co variazas V ( ˆ ) y V ( ˆ ), etoces la eficiecia (eff) de ˆ respecto a ˆ, se defie
Más detallesR E S O L U C I Ó N. a) La distribución de las medias muestrales es: N, N 8'1, N 8'1, 0'3. Como el nivel de confianza es del 97%, podemos calcular
El úmero de días de permaecia de los efermos e u hospital sigue ua ley Normal de media días y desviació típica 3 días. a) Determie u itervalo de cofiaza para estimar, a u ivel del 97%, co ua muestra aleatoria
Más detallesGuía 1 Matemática: Estadística NM 4
Cetro Educacioal Sa Carlos de Aragó. Sector: Matemática. Prof.: Ximea Gallegos H. 1 Guía 1 Matemática: Estadística NM 4 Nombre: Curso: Fecha. Uidad: Estadística y Probabilidades. Apredizajes Esperados:
Más detallesTema 2. Medidas descriptivas de los datos
Tema 2. Medidas descriptivas de los datos Resume del tema 2.1. Medidas de posició So valores que os sirve para idicar la posició alrededor de la cual se distribuye las observacioes. 2.1.1. Mediaa La mediaa
Más detallesIES IGNACIO ALDECOA 1 AMPLIACIÓN DE MATEMÁTICAS 4º ESO CURSO 10/11
IES IGNACIO ALDECOA AMPLIACIÓN DE MATEMÁTICAS º ESO CURSO 0/ TEMA : SUCESIONES DE NÚMEROS REALES Se llama sucesió a u cojuto de úmeros dispuestos uo a cotiuació de otro. Podemos cosiderar ua sucesió como
Más detallesInIn Sistemas de Control de Calidad
Desity Desity II 78- Sistemas de Cotrol de Calidad Pla - Repaso de cotrol de calidad Gráficos de Cotrol - Herramieta que moitorea ua o más variables a lo largo del tiempo. (El sistema requiere itervecioes
Más detalles